多变量时间序列模型.docx
- 文档编号:24827334
- 上传时间:2023-06-01
- 格式:DOCX
- 页数:15
- 大小:133.98KB
多变量时间序列模型.docx
《多变量时间序列模型.docx》由会员分享,可在线阅读,更多相关《多变量时间序列模型.docx(15页珍藏版)》请在冰豆网上搜索。
多变量时间序列模型
第7章多变量时间序列模型
§Granger因果检验
判断一个变量的变化是否是另一个变量变化的原因,是经济计量学中的常见问题。
Granger提出一个判断因果关系的一个检验,这就是Granger因果检验。
1.Granger因果检验的思想
如果x影响y,或者x是y的原因,此时x的变化必然先于y的变化,此时就须满足两个条件:
1)x可以预测y,即根据y的过去值对y进行回归时,如果加上x的过去值,能显著增强回归的解释能力。
2)不能根据y预测x,因为如果根据x预测y,又能根据y预测x,很可能x和y都是由第三个或其他变量决定。
2.检验步骤
1)首先检验零假设"x不影响y”即x不是y的granger原因。
首先根据x和y的滞后值对y回归(无限制回归),然后用y的滞后值对y进行回归(有限制回归)。
即:
mm
无限制回归:
yt二:
飞亠—二j%」亠二亠%
i』\=1
m
有限制回归:
yt二>0亠二’:
:
iyt」亠5
iT
用F检验来判断x是否显著了了无限制回归的解释能力。
此时统计量
RSS*-RSSrF=-Fr,n-k-1RSS;(n-k-1)
RSS*是有限制回归的残差平方和,RSS使无限制回归的残差平方和。
n是样本容量,k
使无限制回归变量的个数。
r是限制回归模型中的变量个数。
2)检验y不影响x,即x不是y的granger原因。
此时调换模型中的变量x和y的位置,利用F统计量来检验。
3.如果一对时间序列是协整的,则至少在某一方面存在granger原因。
§2伪回归
现在考虑非平稳序列回归出现的问题
设:
xt[是两个无关的随机游走过程,
2
%;t;t:
IID0,c.
2
Xt=Xt丄UtUt:
IID0,6
且EUsi=0,任意的t,s。
此时xt既不影响yt,也不受y的影响。
建立模型yt=c亠.■■■Xt-Q
p
对于这种情况,-=0,R2—.0。
Banerjee利用蒙特卡罗模拟得出结论:
对于相互独立的单整序列lyl,且
5=1^.=1,x^=0,y^0,进行回归时,t统计量显示了比正常检验临界值水平还高。
1.伪回归现象产生的根本原因就是序列的非平稳性。
设f〈人?
是两个无关的随机游走过程,并假设模型为yt二:
X,e,Vt:
IN0,;汀,此时建立统计推断:
原假设H0:
2-0
XVJd
此时根据OLS估计,.t2t。
因为是两个无关的随机游走,贝U一?
的分
二xt
子,分母均为一种维纳过程泛函。
(参见hendry和秦朵的《动态经济计量学》第三章)。
2.Wr和Vr表示定义在r■1.0,11上的两个相互独立的维纳过程,则
于是可以证明:
T—2
TX2=;0||Vrdr
t4-
1
0WrVrdr
但在零假设]=0条件下,
此时有两个特点:
1)发散。
2)分布不是常规的分布。
从而利用t统计量不能得到正确的
检验。
直观地看一下:
yt=:
xtet,如果:
=0,则e也是11过程非平稳。
从而最小二乘估计不可用。
二.伪回归检验
我们利用残差的平稳性检验来判断是否存在伪回归。
如果残差非平稳,则是伪回归。
4.伪回归的纠正方法:
1)在回归模型中包含自变量和因变量的一阶滞后变量,即
yt=:
片yt」xtJLut
此时能够消除伪回归。
即当y和x不相关,则?
和J?
依概率收敛于零。
2)对yt和Xt先做一阶差分,从而使得和变成平稳过程,建立模型
yt二:
:
片ut
此时能够消除伪回归。
即当y和x不相关,则?
依概率收敛于零。
3)Cochrane-Orcutt方法(自相关问题)
如果yt=「':
片ut,这里ut二:
?
ut4;t
则根据广义差分法,建立模型
小一:
y^=--1^rXxt1
进行迭代估计,可以证明?
依概率收敛于零。
5.总结
1)伪回归现象:
对于任何两个(或两个以上)不相关的单位根过程,只要样本量足够大,检验他们相关性的统计量一定呈显著性,这就是伪回归现象。
2)回归分析将平稳过程当作非平稳过程来处理是十分危险的。
因此回归中必须分清平稳过程和非平稳过程。
3)伪回归的本质问题是变量的非平稳性。
§3协整
.定义
□0Q0
1•零阶整10:
对于n维线性过程Xt八.Ci;t_i,如果7Ci=0,Ci为系数,
i=0i=0
2
;t:
IID0,二,则称Xt为零阶整的。
2.1阶整I1:
如果心焉为I(0)过程,则n维随机过程Xt称为1阶整的。
1
(1)过程都
t:
:
是非平稳的,但非平稳性可以通过差分消除。
这里任何形式为xt二g;t」,
7i=0
当C=0时,都是I1过程,
3•协整:
如果Xt为1阶整的,但对于某些线性组合,只要恰当的选择「X。
,1=0,
:
Xt变为平稳的,则Xt称为协整,1称为协整向量,线性不相关的协整向量数目称为协整的秩。
协整向量张成的空间称为协整空间。
即表示为-XtI0。
2.说明
1)协整向量1至少有两个非零元素。
2)对于常数C,C:
都是协整向量。
3)对于k个线性无关的Xt,—九…,4满秩,则-Xt平稳。
3.协整的意义
1•协整可以用来描述某些经济变量水平值间存在稳定的长期关系,也就是某些经济变量
之间不能相互分离太远。
也就是如果变量不存在协整性,他们可以任意分离。
协整向量
可以认为是经济系统中对变量长期行为的限制条件。
2.协整响亮多好还是少好
协整向量多,经济系统就越稳定,即在尽可能多的方向上存在稳定的关系。
协整向量少,经济模型存在唯一的稳定状态均衡,这样能够获得协整向量的精确估计。
四•协整于长期均衡的联系
如果yt-以=4,ut:
I0,yt,xtI1,则此时yt和xt协整。
这里ut可以测量“系
返特性。
如果不是协整的,则ut:
I1,则均衡误差将会出现剧烈波动,不具有均值回返特性。
五•协整和伪回归的关系
2
」yt=y」+q§:
iid(°甩)
对于,
2
Xt班」UUt:
IID0,汛
yt二:
Xtvt,Philips证明伪回归的长期协方差矩阵
时,此时系统残差非平稳,为伪回归。
而对于协整方程,长期协方差矩阵
2
奇异。
此时%◎鸟
CT”CT2
农Z
-0,从而代名-—J-1。
残差矩阵奇异是
系统为协整过程的必要条件。
六.协整检验
1•对于回归模型yt=+ut
我们检查Ut的生成过程:
U^=;?
Ut4t是否是单位根过程。
此种方法就是E-G两步法。
2.Machinnon检验方法:
小样本方法
是一种从一般到特殊的检验方法:
对于k个I1序列冷旳,....凶,k-1,t=1,2,•…,T
可以建立三种协整回归方程
k_
(1)X1t八:
jXjt」t
j丘
k
(2)Xit»o亠二.'■■jXj^—t
j=2
k
(3)Xit»o•〉it亠二訂Xjt」t
2
7为扰动项。
协整检验的基本方法就是检验其扰动项的平稳性,
利用ADF检验:
l
二u?
-『-1u?
」、i二1?
丄;t
i二
l
△u?
Y°+(P-1)岛+送%?
丄+务
i壬
l
△U?
+§t+(P—1)U?
4吃签垃丄+可
i3
原假设:
T=1,备则假设T:
:
:
1o具体检验步骤参见单位根检验步骤。
§3误差修正模型ECM(E-G两步法)
作用:
模型取决于解释变量与因变量长期关系得偏离以及对这些因变量的调整。
一•设两个经济序列yt和Xt是I1过程,并且是协整的,协整向量为1,-1,则设
yt=fXt=一:
x,于是yt=:
」:
焉•二yt4-7xtvut,则这种模型称为误差修正模型ECMo
这个模型需要yt对厶%,yt/,xtj进行回归。
因此误差修正项yt4-:
Xt/的系数可作为前期的y对lx之间偏离程度的测定及偏离的短期调整。
从而ECM不再是使用变量的水平值或变量的差分变量来建模,而是把两者有机的结合起来。
短期看,.勺是由较稳定的长期趋势和短期波动所决定,短期内系统对于均衡状态的
偏离程度的大小直接导致波动振幅的大小。
长期看,协整关系式起到吸引力的作用,将非均衡状态拉回到均衡状态。
ECM能清楚地显示出于长期均衡偏离的程度,所以立刻显示出关于这种偏离的调整
信息。
二.E-G两步法的估计步骤
方法1•建立静态模型:
y^xtUt,进行最小二乘估计并进行协整检验。
利用误
差修正项C?
=yt八--人,建立模型yt二a^Xt71?
」•;t。
利用ols估计参数,得
到误差修正模型。
方法2•直接估计yt=cyt」'QXt-QXt二亠“。
§4VAR模型
一.多元动态线性回归模型
1•多元线性回归模型形式为
yt=jXti-2Xt2'…;t
可以写成、*;t
2.动态多元线性回归模型
mm
ytVpryt_L•7:
iXt_Lut
i』i=0
3.如果y=yi,....,yni是一组向量,X=Xi,...,Xki,贝U
mm
yt=C、A%丄'BjXt丄Ut
i=1i=0
这个模型就称为动态多变量回归模型或动态结构模型。
这里C为n1向量,A,...,Am
是nn系数矩阵,B1,...,Bk是kn系数矩阵。
ut为n1误差向量。
满足
Eg)=E(wYt*4,X;)=0EWtuSFE^uSY^X;鬥0yt4二%*...,y1*Xt=(Xt,....,X1)
对于动态结构模型,如果能够写成如下形式
Xt二'GXt丄Ut
模型称为VAR模型(向量自回归模型)。
向量自回归模型是用模型中所有当期变量对所有变量的若干滞后变量进行回归。
4.VAR模型的扩展VARMA模型
pq
Xt「7Mt」—「帚Ut
i4j:
4
或者写为■-Byt-vBut。
5.对于k阶VAR模型,可以写为VAR(k)
k
XtCiXt丄Ut二GY」。
2丫七…CkYt上Ut
i吕
这里Ut:
IID0,",其中Ci,...,Ck都是nn阶系数矩阵,Ut为n1阶随机误差项向量。
门是NN阶方差协方差矩阵。
或者写成
6.VAR
(2)模型为
C111C112
2
C211C212
ryj
巾1「
—
+
+
0」
lC121C122J
lC221C222/
lxtd丿
yt-C111yt4'C112Xt1'C211yt-2'C212Xt-2'4t
Xt-C121yt1C122Xt1C221yt-2C222Xt-2U2t
根据误差项的假设,可以用OLS进行估计。
二.滞后阶数k的确定:
k过大,自由度降低。
k过小,误差项自相关较严重。
1.LR统计量(似然比统计量)
LR=-2logLk-logLk1:
匚
这里k表示模型中滞后变量的最大滞后期,logLk和logLk1分别为VARk和
VARk1模型的极大似然估计值。
极大似然估计的最大值为
logL(C1,...,CkX1,...,Xt)=C0—2log良
2
此时LR统计量渐进服从n2分布。
当LRLR临界值时,表示统计量显著,此时表
示增加滞后值能够显著增大极大似然的估计值。
2.
AIC赤池信息准则
I?
表示残差,T表示样本容量,k表示最大滞后期。
3.SC舒瓦茨准则(BIC)
厂‘『1丄\klogTBIC=logU2IT心丿T
3.VAR模型的特点:
1.VAR不宜严格的经济理论为依据,在建模过程中仅需要确定两件事:
1)共有那些变量相互之间有关系。
2)确定滞后期。
2.VAR模型没有参数的零约束。
3.VAR模型中有相当多的参数需要估计。
§5VAR模型的协整
一.对于VAR模型
Y-TTiY^匸2Y,•…匸kY「Ut
(1)
这里utIID0/1。
如果Y;:
I1非平稳,则变换参数
厶Y_2代忍—k,Y_匸
(2)
其中厶为一阶差分算子,Y;表示对向量Y;中全部变量取一阶差分后的N1阶列向量。
■i—I二…二,i=1,…,k
二二Fk=T•二1•…••二k称为影响矩阵或压缩矩阵。
从
(1)到
(2)的变换称为协整变换。
因为Y:
I1,所以Yt:
I0
于是,如果二Y上非平稳,则Yt的分量不存在协整关系。
如果二Ytj.平稳,则Y的分量存
在协整关系。
二•二Y上的特征
两种极端情形:
1)Y所包含的变量不存在任何协整关系,如果二Y上平稳,则必然二=O,rk二=0。
2)Y所包含的变量不存在任何协整关系,rk二二N,如果二Y丄平稳,则必然Yt所包含的变量都是平稳的。
第三种情形:
如果Yt非平稳,则二平稳意味着Yt中的变量一定存在协整关系。
此时
rk二二r,0:
:
:
r:
:
N,则此时二可以分解为二八「,其中〉「都是Nr矩阵,一:
称作协整参数矩阵,1的每一列都是一个协整向量,卩:
.",…,二共有r个协整向量
化:
I0。
结论:
协整向量的最大可能个数是r二N-1。
邙J
P2
此时口¥乂=口0=(円,^2,…,□「)-具有误差修正形式。
三.协整参数矩阵的估计(JOHANSEN估计):
要正确的估计r
其估计是在二二:
上•成立条件下,通过选择不同的r值,对极大似然法对VAR模型
飞-「WJ…「甘Jdu进行估计。
估计过程如下:
1•用样本数据确定协整参数矩阵1的秩r,对于任何r H°: r二-r,或者说二「上I其中: -都是Nr矩阵。 2.构造LR统计量,得到极大似然函数: 1t 3=丄迟uu其中Tt- ctn,cTNTN,cd Co—|og-|og2二1 为了除去I0变量,而考察二丫上,则进行最小二乘回归: k」 一M? p'-: Yt_L。 i4 令Xt二则 (「1,...,几4)=|送也丫人7送XtX; It壬/t^丿 整检验也称为迹检验。 首先从检验r=0开始,即检验 人Y』「1丸4-2代乜•…二k/Y*斗u中不存在协整向量。 如果不能拒 绝,则检验到此为止。 如果拒绝,接下来检验r—1,r—直到不能拒绝r^r,但拒 1)Yt对丸字比”…门丫上i进行最小二乘回归,求得残差 绝r-r-1,此时模型中包含r个协整向量。 如果检验r=0,则 丸y*k,Yi—匸iY上ut模型称为向量误差修正模型,即它 是以协整关系为约束条件的VAR模型。 确定r之后,就可估计出=? ? ,从而估计出 Y^=-r': YtA■-2化2•…「kl'Y上4•二Y&Ut的参数-i。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 多变 时间 序列 模型