时间序列分析-课件

时间序列分析教学安排•第一周，理论简介•第二周始，分组报告本课程内容体系：第一章：平稳时间序列分析导论第二章：平稳时间序列分析的基础知识第三章：平稳时间序列模型的建立第四章：协整理论导论第五章：单位根过程第六章：单位根过程的假设检验第七章：协整理论参考书目:1、汪昌云等编，基于Eviews的金融时间序列分析，中国人民大学出版社，2011年；2、王振龙主编，时间序列分析，中国统计出版社，2000；3、陆懋祖，高等时间序列经济计量学，上海人民出版社，1999年版；4、马薇，协整理论与应用，南开大学出版社，2004；5、王少平，宏观计量的若干前沿理论与应用，南开大学出版社，2003。6、易丹辉《数据分析与eviews应用》第一章平稳时间序列分析导论一、时间序列1、含义：指被观察到的依时间为序排列的数据序列。2、特点：（1）现实的、真实的一组数据，而不是数理统计中做实验得到的。既然是真实的，它就是反映某一现象的统计指标，因而，时间序列背后是某一现象的变化规律。（2）动态数据。二、时间序列分析1、时间序列分析：是一种根据动态数据揭示系统动态结构和规律的统计方法。其基本思想：根据系统的有限长度的运行记录（观察数据），建立能够比较精确地反映序列中所包含的动态依存关系的数学模型，并借以对系统的未来进行预报（王振龙）2、计量经济学中的建模方法和思想3、理论依据：尽管影响现象发展的因素无法探求，但其结果之间却存在着一定的联系，可以用相应的模型表示出来，尤其在随机性现象中。三、确定性时间序列分析与随机性时间序列分析时间序列依据其特征，有以下几种表现形式，并产生与之相适应的分析方法：（1）长期趋势变化受某种基本因素的影响，数据依时间变化时表现为一种确定倾向，它按某种规则稳步地增长或下降。使用的分析方法有：移动平均法、指数平滑法、模型拟和法等；（2）季节性周期变化受季节更替等因素影响，序列依一固定周期规则性的变化，又称商业循环。采用的方法：季节指数；（3）循环变化周期不固定的波动变化。(4)随机性变化由许多不确定因素引起的序列变化。它所使用的分析方法就是我们要讲的时间序列分析。确定性变化分析趋势变化分析周期变化分析循环变化分析时间序列分析随机性变化分析AR、MA、ARMA模型四、发展历史1、时间序列分析奠基人：20世纪40年代分别由NorbortWiener和AndreiKolemogoner独立给出的，他们对发展时间序列的参数模型拟和和推断过程作出了贡献，提供了与此相关的重要文献，促进了时间序列分析在工程领域的应用。2、时间序列分析在经济领域的应用20世纪70年代，G.P.Box和G.M.Jenkins发表专著《时间序列分析：预测和控制》，使时间序列分析的应用成为可能。3、现代时间序列分析的发展趋势（1）单位根检验（2）协整检验2003年度诺贝尔经济学奖的获得者是美国经济学家罗伯特.恩格尔和英国经济学家克莱夫.格兰杰。获奖原因：“今年的获得者发明了处理许多经济时间序列两个关键特性的统计方法：时间变化的变更率和非平稳性。”两人是时间序列经济学的奠基人。时间变化的变更率指方差随时间变化而变化的频率，这主要是指恩格尔在1982年发表的条件异方差模型（ARCH），最初主要用于研究英国的通货膨胀问题，后来广泛用作金融分析的高级工具；传统的计量经济学研究中，通常假定经济数据和产生这些数据的随机过程是平稳的。格兰杰的贡献主要是在非平稳过程假定下所进行的严格计量模型的建立。（协整检验）第二章平稳时间序列分析的基础知识第一节随机序列一、随机过程1、定义：在数学上，随机过程被定义为一组随机变量，即，Ttzt,其中，T表示时间t的变动范围，对每个固定的时刻t而言，Zt是一随机变量，这些随机变量的全体就构成一个随机过程。2、特征（1）随机过程是随机变量的集合（2）构成随机过程的随机变量是随时间产生的，在任意时刻，总有随机变量与之相对应。二、随机序列（时间序列）1、当时，即时刻t只取整数时，随机过程可写成此类随机过程称为随机序列，也称时间序列。,...2,1,0tTtzt,,...2,1,0,tzt可见（1）随机序列是随机过程的一种，是将连续时间的随机过程等间隔采样后得到的序列；（2）随机序列也是随机变量的集合，只是与这些随机变量联系的时间不是连续的、而是离散的。三、时间序列的分布、均值、协方差函数1、分布函数(1)一维分布函数:随机序列中每个随机变量的分布函数.F1(z),F2(z),…,Ft-1(z),Ft(z)(2)二维分布函数:随机序列中任意两个随机变量的联合分布函数Fi,j(zi,zj).i,j=…,-2,-1,0,1,2,…(3)柯尔莫哥洛夫定理与有限维概率分布柯尔莫哥洛夫定理表明,一个随机序列的特征,可以用它的有限维分布表示出来。2、均值函数对随机序列中的任一随机变量取期望。当t取遍所有可能整数时，就形成了离散时间的函数ut称ut为时间序列的均值函数。dzzfzzdFzEzutttttt)()(3、自协方差函数和自相关函数),())(()])([(),(,ststssttssttzzdFuzuzuzuzEstr)()(),()()(),(22ssstttzDuzEssrzDuzEttr自相关函数：当t,s取遍所有可能的整数时，就形成了时间序列的自相关函数，它描述了序列的自相关结构。它的本质等同于相关系数。),(),(),(),(ssrttrstrst第二节平稳时间序列一、平稳时间序列1、定义：时间序列{zt}是平稳的，意指如果{zt}有有穷的二阶中心矩，而且满足：（1）ut=Ezt=c;（2）r(t,s)=E[(zt-c)(zs-c)]=r(t-s,0)则称{zt}是平稳的。含义：a，有穷二阶矩意味着期望和自协方差存在；B，平稳时间序列任意时刻所对应的随机变量的均值相等；c，自协方差函数只与时间间隔有关，而与时间起点无关。二、平稳时间序列的均值、自协方差和自相关函数1、均值函数：平稳时间序列均值为常数，为分析方便，假定Ezt=0，当均值不为零时，给每个值减去均值后再求均值，即等于0。2、自协方差函数：平稳时间序列的自协方差仅与时间间隔有关，而与具体时刻无关，所以，自协方差函数仅表明时间间隔即可。tttttkttktktttkDZEZEZZErEZZEZEZZEZZEr220)()0()])([(3、自相关函数ρk平稳时间序列自协方差仅与时间隔有关，当间隔为零时，自协方差应相等：kkkrrrrrssrttrstrst000),(),(),(),(4、自协方差与自相关函数的性质(1)rk=r-kρk=ρ-kk、－k仅是时间先后顺序上的差异，它们代表的间隔是相同的。(2)001,1rrrrkk三、偏自相关函数（PACF)1、偏自相关函数用来考察扣除zt和zt+k之间zt+1，zt+2，…，zt+k-1影响之后的zt和zt+k之间的相关性。2、偏自相关函数的定义设{zt}为零均值平稳序列，zt+1，zt+2，…，zt+k-1对zt和zt+k的线性估计为：112211112211ˆˆktkttktktktttzzzzzzzzφkk表示偏自相关函数，则：)ˆvar()ˆvar()ˆ(),ˆcov[(ktktttktktttkkzzzzzzzz3、PACF的涵义设有zt+1，zt+2，zt+3)cov()]ˆ(cov[ˆ,133,1213213ttttttttttazzzzzzazz4、pacf的推导2222112212123332211211111112221111,1,1,1111111,11111,1,,...,2,1,)1)((11kjjkkkkkjjkkjkjjkjkjjkkkk四、随机序列的特征描述（1）样本均值cznzntt11（2）样本自协方差函数kttkttktktttkktktttknttktknttkktknttkdzdzzzEzzEzzrEzzEzzErzznrzzzzknrzzzznr)())(())(()(1))((1或))((121011（3）样本自相关函数20)())((zzzzzzrrtkttkk（4）样本偏自相关函数kjjkkkkkjjkkjkjjkjkjjkkkk,...,2,1,)1)((1,1,1,1111111,1111例1、设动态数据16，12，15，10，9，17，11，16，10，14，求样本均值、样本自相关函数（SACF）和偏自相关函数（SPACF）（各求前三项）222103302221011)1314()1312()1316()1314)(1310()1315)(1312()1312)(1316(218.024.053.0)(1))((1)2(13101)1(rrrrzznzzzznrrzztttt560.0169.01057.0153.0)3(11221121222211221212333111111222111第三节线性平稳时间序列模型一、自回归过程(AR(p)）1、ttppttPPpppttstpttptptttazBzzBBBBBBBBaEzstaEzaazzzz)(...1)(10)()3(;,0,0)2(}){1(,...22122211模型的简化形式为：为后项算子，，，的根在单位圆外，即且为白噪声序列；且满足：形如2、AR(P)模型的ACF、PACF特征以AR(1)为例11101)()1()1(111111BBBazBazzttttt则的根必须在单位圆外，）（为满足平稳性，或接近，越来越与，小，这种现象称为拖尾减小，且以指数速度减间隔增大时，增大时，即序列之间的当的0,1,...)1()()()()1()2(110011111kkkkkktktktttktkkrrrkrazEzzEzzErACFAR象。，这种现象称为截尾现时，当；的递推公式有：按照02001010112112131222211221212333111221121212121111111222111kkkPACF例：如下：、个观察值计算为白噪声序列，利用个观察值，模拟产生过程用PACFACFaazBARttt250}{250,9.0,)10)(1()1(11k12345678910k0.880.760.670.570.480.40.340.280.210.17kk0.880.01-0.010.110.02-0.010.01-0.02-0.060.05计算结果表明，ACF逐渐衰减，但不等于零；PACF在k=1后，与零接近，是截尾的。结论：ACF呈指数衰减，是拖尾的；PACF在一步后为零，是截尾的。二、移动平均模型（MA(q)）1、形如zt=at-1at-1-2at-2-…-qat-q模型为移动平均模型，其中，简化形式zt=(B)at(B)=1-1B-2B2-…-qBq,满足(B)=0的根在单位圆外，即׀B׀1，此时该过程是可逆的。2、MA模型的ACF及PAC