1、1,第11章 回归课题研究,11.1 选择主题 11.2 收集数据 11.3 高级数据来源 11.4 对研究课题的实用性建议 11.5 撰写研究报告 11.6 回归分析的用户清单及应用指南,2,第12章 时间序列模型,动态模型 非平稳变量,3,12.1 动态模型,12.1.1 分布滞后模型回归模型不仅含有解释变量的当前值，还含有它们的滞后值.注意:此类模型的构造也基本上是来源于经济理论,而不是为了克服自相关等问题.,4,在经济运行过程中，广泛存在时间滞后效应。某些经济变量不仅受到同期各种因素的影响，而且也受到过去某些时期的各种因素甚至自身的过去值的影响。,通常把滞后的解释变量叫做滞后变量（La
2、gged Variable），含有滞后变量的模型称为分布滞后模型。 分布滞后模型考虑了时间因素的作用，使静态分析的问题有可能成为动态分析,所以又称动态模型（Dynamical Model）。,5,6,分布滞后模型,例如：消费函数通常认为，本期的消费除了受本期的收入影响之外，还受前1期，或前2期收入的影响：Yt=0+1Xt+2Xt-1+3Xt-2+t Xt-1，Xt-2为滞后变量。,7,一个例子：假定某消费者以后每年的收入增加2000元，他可能会把各年增加的收入按以下形式分配，当年增加消费支出800元，第二年增加消费支出600元，第三年又增加消费支出400元，把所余部分用于储蓄。所以可以把消费函
3、数写成：,8,可能的问题: 1、没有先验准则确定滞后期长度； 2、X的各期滞后项之间可能存在高度线性相关，即模型存在高度的多重共线性； 3、如果滞后期较长，将缺乏足够的自由度进行估计和检验。 解决方法：使用动态模型，即用应变量的滞后变量代替解释变量的所有滞后项。,9,有限分布模型：,0：短期(short-run)或即期乘数(impact multiplier)，表示本期X变化一单位对Y平均值的影响程度。 i (i=1,2,s)：动态乘数或延迟系数，表示各滞后期X的变动对Y平均值影响的大小。,10,12.1.2 什么是动态模型,11,12,12.1.3 动态模型的实例P233,13,12.2 序
4、列相关性和动态模型,对动态模型，序列相关会造成参数的OLS估计值的偏误，但第9章所讨论的序列相关的后果、侦察和补救，要么不正确，要么需要针对滞后应变量的存在而进行修正。,14,12.2.1 序列相关性使动态模型产生偏误,15,12.2.2 动态模型中序列相关的检验,拉格朗日乘数检验P235,16,12.2.3 动态模型序列相关性的修正,1、改进设定：可能遗漏变量或滞后分布的形式不对 2、工具变量法：找一个变量，与 高度相关，但与 不相关的变量。 3、修正的GLS：较复杂。总之,序列相关造成动态模型估计的偏误,但消除方程的序列相关很困难.,17,12.3 Granger因果关系,分布滞后模型的应
5、用:为经济因果关系提供证据: Granger检验：问： 两个变量之间在时间上有先导滞后关系，我们能不能从统计上侦破其因果导向呢？即哪个变量引导另一个变量？ 例如：是货币供给的增加刺激GDP的增长，还是GDP最终导致政府增加货币供给？,18,Granger检验的回归方程,其中 1t与 2t是不相关的。,19,两个变量之间的四种关系,从X到Y的单向因果关系 （不全为0；全为0）； 从Y到X的单向因果关系 （ 不全为0； 全为0）； X与Y之间存在双向的因果关系； X与Y两个变量是独立的，不存在因果关系。,20,Granger检验中存在的问题,即使我们能证明事件A总是在事件B之前发生，只能说事件A是
6、事件B的Granger因，不能说事件A是事件B的因。 因果方向和所含滞后项的个数可能有重要的关系！ 戴维斯和麦金农的建议：滞后期数宁多无少！,21,12.4 谬误相关和非平稳性,谬误回归（Spurious regression）当用一个时间序列对另一个时间序列做回归时，虽然两者之间并无任何意义的关系，但是常常会得到一个很高的R2值。这只是因为两个时间变量都显示出强劲的趋势，而不是由于两者之间的真实关系。这样的回归结果就是谬误的。 例如：如果一个国家发生恶性通货膨胀，那么任意一个名义变量都会和几乎所有其它的名义变量高度相关。 如果时间序列是非平稳的，就有可能出现谬误回归。 如果时间序列是平稳的，
7、那么就可以用OLS做回归。 问：什么是平稳的？,22,12.4.1时间序列的平稳性与非平稳性,23,随机过程,任何时间序列数据都可以把它看作由一个随机过程产生的结果。 一个具体的数据集可视为随机过程的一个（特殊的）实现（也就是一个样本）。 随机过程和它的一个实现之间的区别可类比于横截面数据中总体和样本之间的区别。,24,平稳随机过程,如果一个随机时间序列Xt满足以下性质，则Xt是平稳的（弱平稳）： 均值： E(Xt) = (常数) 方差： var(Xt) = 2 (常数) 协方差：k= E(Xt -) (Xt+k -) (只与间隔有关)如果上述一个或几个性质不满足,则Xt是非平稳的. 一个时间
8、序列不是平稳的，就称为非平稳时间序列.,25,平稳时间序列,平稳性的解释：指时间序列的统计规律不随时间的推移而发生变化。直观上，一个平稳的时间序列可以看作是一条围绕其均值上下波动的曲线。平稳性是时间序列的一个重要的特性，它保证了随机过程基本上没有结构变动，而结构变动会给预测带来困难，甚至不可预测。,26,非平稳性,所谓时间序列的非平稳性，是指时间序列的统计规律随着时间的位移而发生变化，即生成变量时间序列的随机过程的特征随着时间而变化。 非平稳性的直接后果是导致回归分析的结果是谬误相关,模型结果不可信. 实际中，只有极少数时间序列是平稳的。,27,随机游走,我们做回归： Yt=rYt-1+ t
9、(12-22) 如果发现r 1，则我们说随机变量有一个单位根。 在经济学中一个有单位根的时间序列叫随机游走（random walk）。,28,随机游走的比喻,一个醉汉的游走。醉汉离开酒吧后在时刻t移动一个随机的距离ut，如果他无限地继续游走下去，他将最终漂移到离酒吧越来越远的地方。 如信奉有效资本市场假设的人认为股票价格服从随机步游模型, 今天的股价等于昨天的股价加上一个随机冲击。,29,单位根过程为非平稳随机过程,30,12.4.2 谬误回归,一个例子：P239,31,12.4.3 DF检验,32,33,12.4.4 协整,当两个变量都是非平稳时间序列，则可能存在伪回归。所以要检验序列的平稳
10、性（如单位根检验） 但是大多数序列都是非平稳的，为防止伪回归，这时的处理办法有： 协整：单个变量可能是非平稳的,但这些非平稳变量的线性组合可能是平稳的。（若平稳就是协整的）,34,协整的比喻,若Yt与Xt都有以随机的方式上升的趋势，但是他们似有共同趋势。这一运动类似于两个舞伴，一个在随机游动，另一个也亦步亦趋地随机游动。这种同步就是协整时间序列。 如果两个时间序列有协整关系，则OLS回归所给的回归结果未必就是谬误的，而且通常的t和F检验是有效的。如葛兰杰所说：“可以把协整检验看成是避免出现谬误回归”情况的一个预检验。,35,协整检验的意义及步骤,可以作为线性回归的诊断性检验，可以看作是避免伪回归的预检验，还可以看作是对经济理论的正确性检验。 两变量的协整检验步骤： Step1 Xt和Yt都是随机游走的序列，将Xt对Yt用OLS回归，得残差序列et； Step2 检验et的平稳性。若et平稳，则Xt和Yt是协整的，否则就不是协整的。 检验et平稳性：DF检验,36,10.4.5 处理非平稳时间序列的标准步骤,P242,37,小结,38,作业,2,3,4 其它课后做.,
