时间序列模型.ppt

第六章、时间序列分析模型（1）,问题的引出：非平稳变量与经典回归模型,1、常见的数据类型：到目前为止，经典计量经济模型常用到的数据有：时间序列数据（time-series data)；截面数据(cross-sectional data)平行/面板数据（panel data/time-series cross-section data)时间序列数据是最常见，也是最常用到的数据。,E&M-IMU,2、经典回归模型与数据的平稳性,经典回归分析暗含着一个重要的假设：数据是平稳的 1）数据非平稳，大样本下的统计推断基础“一致性”要求被破怀。经典回归分析的假设之一：解释变量X是非随机变量 放宽该假设：X是随机变量，则需进一步要求：(1)X与随机扰动项 不相关Cov(X,)=0,依概率收敛：,(2),E&M-IMU,第（2）条是为了满足统计推断中大样本下的“一致性”特性：,第（1）条是OLS估计的需要,如果X是非平稳数据（如表现出向上的趋势），则（2）不成立，回归估计量不满足“一致性”，基于大样本的统计推断也就遇到麻烦。,因此：,注意：在双变量模型中：,E&M-IMU,表现在:两个本来没有任何因果关系的变量，却有很高的相关性（有较高的R2)：例如：如果有两列时间序列数据表现出一致的变化趋势（非平稳的），即使它们没有任何有意义的关系，但进行回归也可表现出较高的可决系数。在现实经济生活中：情况往往是实际的时间序列数据是非平稳的，而且主要的经济变量如消费、收入、价格往往表现为一致的上升或下降。这样，仍然通过经典的因果关系模型进行分析，一般不会得到有意义的结果。,2、数据非平稳，往往导致出现“虚假回归”问题：,E&M-IMU,时间序列分析模型方法就是在这样的情况下，以通过揭示时间序列自身的变化规律为主线而发展起来的全新的计量经济学方法论。,时间序列分析已组成现代计量经济学的重要内容，并广泛应用于经济分析与预测当中。,一、数据的平稳性及其检验二、时间序列模型的基本概念及其适用性三、随机时间序列模型的平稳性条件四、随机时间序列模型的识别五、随机时间序列模型的估计六、模型的检验,时间序列分析模型,假定某个时间序列是由某一随机过程（stochastic process）生成的，即假定时间序列Xt（t=1,2,）的每一个数值都是从一个概率分布中随机得到，如果满足下列条件：1）均值E(Xt)=是与时间t 无关的常数；2）方差Var(Xt)=2是与时间t 无关的常数；3）协方差Cov(Xt,Xt+k)=k 是只与时期间隔k有关，与时间t 无关的常数；则称该随机时间序列是平稳的（stationary)，而该随机过程是一平稳随机过程（stationary stochastic process）。,一、时间序列数据的平稳性,例1一个最简单的随机时间序列是一具有零均值同方差的独立分布序列：Xt=t，tN(0,2),例2另一个简单的随机时间列序被称为随机游走（random walk），该序列由如下随机过程生成：Xt=Xt-1+t这里，t是一个白噪声。,该序列常被称为是一个白噪声（white noise）。由于Xt具有相同的均值与方差，且协方差为零,由定义,一个白噪声序列是平稳的。,为了检验该序列是否具有相同的方差，可假设Xt的初值为X0，则易知 X1=X0+1 X2=X1+2=X0+1+2 Xt=X0+1+2+t 由于X0为常数，t是一个白噪声，因此Var(Xt)=t2 即Xt的方差与时间t有关而非常数，它是一非平稳序列。,容易知道该序列有相同的均值：E(Xt)=E(Xt-1),然而，对X取一阶差分（first difference）:Xt=Xt-Xt-1=t由于t是一个白噪声，则序列Xt是平稳的。,后面将会看到:如果一个时间序列是非平稳的，它常常可通过取差分的方法而形成平稳序列。事实上，随机游走过程是下面我们称之为1阶自回归AR(1)过程的特例 Xt=Xt-1+t 不难验证:1)|1时，该随机过程生成的时间序列是发散的，表现为持续上升(1)或持续下降(-1)，因此是非平稳的；,可以证明:只有当-11时，该随机过程才是平稳的。,2)=1时，是一个随机游走过程，也是非平稳的。,1阶自回归过程AR(1)又是如下k阶自回归AR(K)过程的特例：Xt=1Xt-1+2Xt-2+kXt-k该随机过程平稳性条件将在以后介绍。,平稳性检验的图示判断,给出一个随机时间序列，首先可通过该序列的时间路径图来粗略地判断它是否是平稳的。一个平稳的时间序列在图形上往往表现出一种围绕其均值不断波动的过程；而非平稳序列则往往表现出在不同的时间段具有不同的均值（如持续上升或持续下降）。,进一步的判断:检验样本自相关函数及其图形,定义随机时间序列的自相关函数（autocorrelation function,ACF）如下：k=k/0 自相关函数是关于滞后期k的递减函数(Why?)。实际上,对一个随机过程只有一个实现（样本），因此，只能计算样本自相关函数（Sample autocorrelation function）。,一个时间序列的样本自相关函数定义为：,易知，随着k的增加，样本自相关函数下降且趋于零。但从下降速度来看，平稳序列要比非平稳序列快得多。,注意:,确定样本自相关函数rk某一数值是否足够接近于0是非常有用的，因为它可检验对应的自相关函数k的真值是否为0的假设。Bartlett曾证明:如果时间序列由白噪声过程生成，则对所有的k0，样本自相关系数近似地服从以0为均值，1/n 为方差的正态分布，其中n为样本数。也可检验对所有k0，自相关系数都为0的联合假设，这可通过如下QLB统计量进行：,该统计量近似地服从自由度为m的2分布（m为滞后长度）。因此:如果计算的Q值大于显著性水平为的临界值，则有1-的把握拒绝所有k(k0)同时为0的假设。,在讨论了平稳时间序列的重要性之后，接下来的一个实际问题是：1、如何建立一个平稳时间序列的模型，2、如何用所建的模型进行预测。,回答：可以通过建立随机时间序列分析模型来进行 与经典回归分析不同的是：1、这里所建立的时间序列模型主要不是以不同变量间的因果关系为基础，而是寻找时间序列自身的变化规律；2、同样地，在预测一个时间序列未来的变化时，不再使用一组与之有因果关系的其他变量，而只是用该序列的过去行为来预测未来。,二、时间序列模型的基本概念及其适用性,1、时间序列模型的基本概念 时间序列模型（time series modeling）是指仅用它的过去值及随机扰动项所建立起来的模型，其一般形式为 Xt=F(Xt-1,Xt-2,t)建立具体的时间序列模型，需解决如下三个问题：(1)模型的具体形式(2)时序变量的滞后期(3)随机扰动项的结构 例如，取线性方程、一期滞后以及白噪声随机扰动项（t=t），模型将是一个1阶自回归过程AR(1)(Autoregressive process)：Xt=Xt-1+t这里，t特指一白噪声。,一般的p阶自回归过程AR(p)是 Xt=1Xt-1+2Xt-2+pXt-p+t(*),(1)如果随机扰动项是一个白噪声(t=t)，则称(*)式为一纯AR(p)过程（pure AR(p)process），记为 Xt=1Xt-1+2Xt-2+pXt-p+t(2)如果t不是一个白噪声，通常认为它是一个q阶的移动平均（moving average）过程MA(q)：t=t-1t-1-2t-2-qt-q 该式给出了一个纯MA(q)过程（pure MA(p)process）。,将纯AR(p)与纯MA(q)结合，得到一个一般的自回归移动平均（autoregressive moving average）过程ARMA（p,q）：,Xt=1Xt-1+2Xt-2+pXt-p+t-1t-1-2t-2-qt-q,该式表明：（1）一个随机时间序列可以通过一个自回归移动平均过程生成，即该序列可以由其自身的滞后值以及随机扰动项来解释。（2）如果该序列是平稳的，即它的行为并不会随着时间的推移而变化，那么我们就可以通过该序列过去的行为来预测未来。这也正是随机时间序列分析模型的优势所在。,经典回归模型的问题：迄今为止，对一个时间序列Xt的变动进行解释或预测，是通过某个单方程回归模型或联立方程回归模型进行的，由于它们以因果关系为基础，且具有一定的模型结构，因此也常称为结构式模型（structural model）。然而，如果Xt波动的主要原因可能是我们无法解释的因素，如气候、消费者偏好的变化等，则利用结构式模型来解释Xt的变动就比较困难或不可能，因为要取得相应的量化数据，并建立令人满意的回归模型是很困难的。有时，即使能估计出一个较为满意的因果关系回归方程，但由于对某些解释变量未来值的预测本身就非常困难，甚至比预测被解释变量的未来值更困难，这时因果关系的回归模型及其预测技术就不适用了。,2、时间序列分析模型的适用性,例如，时间序列过去是否有明显的增长趋势，如果增长趋势在过去的行为中占主导地位，能否认为它也会在未来的行为里占主导地位呢？或者时间序列显示出循环周期性行为，我们能否利用过去的这种行为来外推它的未来走向？随机时间序列分析模型，就是要通过序列过去的变化特征来预测未来的变化趋势。使用时间序列分析模型的另一个原因在于：如果经济理论正确地阐释了现实经济结构，则这一结构可以写成类似于ARMA(p,q)式的时间序列分析模型的形式。,在这些情况下，我们采用另一条预测途径：通过时间序列的历史数据，得出关于其过去行为的有关结论，进而对时间序列未来行为进行推断。,例如，对于如下最简单的宏观经济模型：,这里，Ct、It、Yt分别表示消费、投资与国民收入。Ct与Yt作为内生变量，它们的运动是由作为外生变量的投资It的运动及随机扰动项t的变化决定的。,上述模型可作变形如下：,两个方程等式右边除去第一项外的剩余部分可看成一个综合性的随机扰动项，其特征依赖于投资项It的行为。如果It是一个白噪声，则消费序列Ct就成为一个1阶自回归过程AR(1)，而收入序列Yt就成为一个(1,1)阶的自回归移动平均过程ARMA(1,1)。,自回归移动平均模型（ARMA）是随机时间序列分析模型的普遍形式，自回归模型（AR）和移动平均模型（MA）是它的特殊情况。关于这几类模型的研究，是时间序列分析的重点内容：主要包括模型的平稳性分析、模型的识别和模型的估计。,三、随机时间序列模型的平稳性条件,1、AR(p)模型的平稳性条件 随机时间序列模型的平稳性，可通过它所生成的随机时间序列的平稳性来判断。如果一个p阶自回归模型AR(p)生成的时间序列是平稳的，就说该AR(p)模型是平稳的，否则，就说该AR(p)模型是非平稳的。,考虑p阶自回归模型AR(p)Xt=1Xt-1+2Xt-2+pXt-p+t(*),引入滞后算子（lag operator）L：LXt=Xt-1,L2Xt=Xt-2,LpXt=Xt-p(*)式变换为(1-1L-2L2-pLp)Xt=t,记(L)=(1-1L-2L2-pLp),则称多项式方程(z)=(1-1z-2z2-pzp)=0为AR(p)的特征方程(characteristic equation)。可以证明，如果该特征方程的所有根在单位圆外（根的模大于1），则AR(p)模型是平稳的。,例、AR(1)模型的平稳性条件。,对1阶自回归模型AR(1),方程两边平方再求数学期望，得到Xt的方差,由于Xt仅与t相关，因此，E(Xt-1t)=0。如果该模型稳定，则有E(Xt2)=E(Xt-12)，从而上式可变换为：,在稳定条件下，该方差是一非负的常数，从而有|1。,而AR(1)的特征方程,的根为 z=1/AR(1)稳定，即|1，意味着特征根大于1。,AR(2)模型的平稳性。对AR(2)模型,方程两边同乘以Xt，再取期望得：,又由于,于是,同样地，由原式还可得到,于是方差为,由平稳性的定义，该方差必须是一不变的正数，于是有 1+21,2-11,|2|1,这就是AR(2)的平稳性条件，或称为平稳域。它是一顶点分别为（-2,-1），（2,-1），（0,1）的三角形。,对应的特征方程1-1z-2z2=0 的两个根z1、z2满足：z1z2=-1/2,z1+z2=-1/2,AR(2)模型,解出1，2,由AR(2)的平稳性，|2|=1/|z1|z2|1，有,于是|z2|1。由 2-1 1可推出同样的结果。,对高阶自回模型AR(p)来说，多数情况下没有必要直接计算其特征方程的特征根，但有一些有用的规则可用来检验高阶自回归模型的稳定性：,(1)AR(p)模型稳定的必要条件是：1+2+p1(2)由于i(i=1,2,p)可正可负，AR(p)模型稳定的充分条件是：|1|+|2|+|p|1,对于移动平均模型MR(q)：Xt=t-1t-1-2t-2-qt-q 其中t是一个白噪声，于是,2、MA(q)模型的平稳性,当滞后期大于q时，Xt的自协方差系数为0。因此:有限阶移动平均模型总是平稳的。,由于ARMA(p,q)模型是AR(p)模型与MA(q)模型的组合：Xt=1Xt-1+2Xt-2+pXt-p+t-1t-1-2t-2-qt-q,3、ARMA(p,q)模型的平稳性,而MA(q)模型总是平稳的，因此ARMA(p,q)模型的平稳性取决于AR(p)部分的平稳性。当AR(p)部分平稳时，则该ARMA(p,q)模型是平稳的，否则，不是平稳的。,最后,（1）一个平稳的时间序列总可以找到生成它的平稳的随机过程或模型；（2）一个非平稳的随机时间序列通常可以通过差分的方法将它变换为平稳的，对差分后平稳的时间序列也可找出对应的平稳随机过程或模型。因此，如果我们将一个非平稳时间序列通过d次差分，将它变为平稳的，然后用一个平稳的ARMA(p,q)模型作为它的生成模型，则我们就说该原始时间序列是一个自回归单整移动平均（autoregressive integrated moving average）时间序列，记为ARIMA(p,d,q)。例如，一个ARMA(2,1,2)时间序列在它成为平稳序列之前先得差分一次，然后用一个ARMA(2,2)模型作为它的生成模型的。当然，一个ARMA(p,0,0)过程表示了一个纯AR(p)平稳过程；一个ARMA(0,0,q)表示一个纯MA(q)平稳过程。,所谓随机时间序列模型的识别，就是对于一个平稳的随机时间序列，找出生成它的合适的随机过程或模型，即判断该时间序列是遵循一纯AR过程、还是遵循一纯MA过程或ARMA过程。所使用的工具主要是时间序列的自相关函数（autocorrelation function，ACF）及偏自相关函数（partial autocorrelation function，PACF）。,四、随机时间序列模型的识别,1、AR(p)过程,(1)自相关函数（ACF）1阶自回归模型AR(1)Xt=Xt-1+t 的k阶滞后自协方差为：,=1,2,因此，AR(1)模型的自相关函数为,=1,2,由AR(1)的稳定性知|1，因此，k时，自相关函数呈指数形衰减，直到零。这种现象称为拖尾或称AR(1)有无穷记忆（infinite memory）。注意，0时，呈振荡衰减状。,Xt=1Xt-1+2Xt-2+t该模型的方差0以及滞后1期与2期的自协方差1,2分别为,阶自回归模型AR(2),类似地,可写出一般的k期滞后自协方差：,(K=2,3,),于是,AR(2)的k 阶自相关函数为：,(K=2,3,),其中:1=1/(1-2),0=1,如果AR(2)稳定，则由1+21知|k|衰减趋于零，呈拖尾状。至于衰减的形式，要看AR(2)特征根的实虚性，若为实根，则呈单调或振荡型衰减，若为虚根，则呈正弦波型衰减。,一般地，p阶自回归模型AR(p),k期滞后协方差为:,从而有自相关函数:,可见，无论k有多大，k的计算均与其到p阶滞后的自相关函数有关，因此呈拖尾状。如果AR(p)是稳定的，则|k|递减且趋于零。,Xt=1Xt-1+2Xt-2+pXt-p+t,其中：1/zi是AR(p)特征方程(z)=0的特征根，由AR(p)平稳的条件知，|zi|1;因此，当1/zi均为实数根时，k呈几何型衰减（单调或振荡）；当存在虚数根时，则一对共扼复根构成通解中的一个阻尼正弦波项，k呈正弦波衰减。,事实上，自相关函数,是一p阶差分方程，其通解为,（2）偏自相关函数（PACF）,自相关函数ACF(k)给出了Xt与Xt-1的总体相关性，但总体相关性可能掩盖了变量间完全不同的隐含关系。例如，在AR(1)随机过程中，Xt与Xt-2间有相关性可能主要是由于它们各自与Xt-1间的相关性带来的:,即：自相关函数中包含了这种所有的“间接”相关。与之相反，Xt与Xt-k间的偏自相关函数(partial autocorrelation，简记为PACF)则是消除了中间变量Xt-1，Xt-k+1 带来的间接相关后的直接相关性，它是在已知序列值Xt-1，Xt-k+1的条件下，Xt与Xt-k间关系的度量。,从Xt中去掉Xt-1的影响，则只剩下随机扰动项t，显然它与Xt-2无关，因此我们说Xt与Xt-2的偏自相关系数为零，记为,在AR(1)Xt=Xt-1+t 中，,同样地，在AR(p)过程中，对所有的kp，Xt与Xt-k间的偏自相关系数为零。AR(p)的一个主要特征是:kp时，k*=Corr(Xt,Xt-k)=0 即k*在p以后是截尾的。,一随机时间序列的识别原则：若Xt的偏自相关函数在p以后截尾，即kp时，k*=0，而它的自相关函数k是拖尾的，则此序列是自回归AR(p)序列。,在实际识别时，由于样本偏自相关函数rk*是总体偏自相关函数k*的一个估计，由于样本的随机性，当kp时，rk*不会全为0，而是在0的上下波动。但可以证明，当kp时，rk*服从如下渐近正态分布:rk*N(0,1/n)式中n表示样本容量。因此，如果计算的rk*满足,需指出的是，,我们就有95.5%的把握判断原时间序列在p之后截尾。,对MA(1)过程,2、MA(q)过程,可容易地写出它的自协方差系数：,于是，MA(1)过程的自相关函数为：,可见，当k1时，k=0，即Xt与Xt-k不相关，MA(1)自相关函数是截尾的。,MA(1)过程可以等价地写成t关于无穷序列Xt，Xt-1，的线性组合的形式：,或,（*）,(*)是一个AR()过程，它的偏自相关函数非截尾但却趋于零，因此MA(1)的偏自相关函数是非截尾但却趋于零的。,注意:(*)式只有当|1时才有意义，否则意味着距Xt越远的X值，对Xt的影响越大，显然不符合常理。因此，我们把|1称为MA(1)的可逆性条件（invertibility condition）或可逆域。,其自协方差系数为,一般地，q阶移动平均过程MA(q),相应的自相关函数为,可见，当kq时，Xt与Xt-k不相关，即存在截尾现象，因此，当kq时，k=0是MA(q)的一个特征。于是：可以根据自相关系数是否从某一点开始一直为0来判断MA(q)模型的阶。,与MA(1)相仿，可以验证MA(q)过程的偏自相关函数是非截尾但趋于零的。,MA(q)模型的识别规则：若随机序列的自相关函数截尾，即自q以后，k=0（kq）；而它的偏自相关函数是拖尾的，则此序列是滑动平均MA(q)序列。,同样需要注意的是：在实际识别时，由于样本自相关函数rk是总体自相关函数k的一个估计，由于样本的随机性，当kq时，rk不会全为0，而是在0的上下波动。但可以证明，当kq时，rk服从如下渐近正态分布:rkN(0,1/n)式中n表示样本容量。,我们就有95.5%的把握判断原时间序列在q之后截尾。,因此，如果计算的rk满足：,ARMA(p,q)的自相关函数，可以看作MA(q)的自相关函数和AR(p)的自相关函数的混合物。当p=0时，它具有截尾性质；当q=0时，它具有拖尾性质；当p、q都不为0时，它具有拖尾性质 从识别上看，通常：ARMA(p，q)过程的偏自相关函数（PACF）可能在p阶滞后前有几项明显的尖柱（spikes），但从p阶滞后项开始逐渐趋向于零；而它的自相关函数（ACF）则是在q阶滞后前有几项明显的尖柱，从q阶滞后项开始逐渐趋向于零。,3、ARMA(p,q)过程,AR(p)、MA(q)、ARMA(p,q)模型的估计方法较多，大体上分为3类：（1）最小二乘估计；（2）矩估计；（3）利用自相关函数的直接估计。下面有选择地加以介绍。,结构阶数,模型识别,确定,估计,参数,五、随机时间序列模型的估计,AR(p)模型的Yule Walker方程估计,在AR(p)模型的识别中，曾得到,利用k=-k，得到如下方程组：,此方程组被称为Yule Walker方程组。该方程组建立了AR(p)模型的模型参数1,2,p与自相关函数1,2,p的关系，,利用实际时间序列提供的信息，首先求得自相关函数的估计值,然后利用Yule Walker方程组，求解模型参数的估计值,由于,于是,从而可得2的估计值,在具体计算时，,可用样本自相关函数rk替代。,MA(q)模型的矩估计,将MA(q)模型的自协方差函数中的各个量用估计量代替，得到：,首先求得自协方差函数的估计值，(*)是一个包含(q+1)个待估参数,(*),的非线性方程组，可以用直接法或迭代法求解。,常用的迭代方法有线性迭代法和Newton-Raphsan迭代法。,（1）MA(1)模型的直接算法,对于MA(1)模型，（*）式相应地写成,于是,或,有,于是有解,由于参数估计有两组解，可根据可逆性条件|1|1来判断选取一组。,（2）MA(q)模型的迭代算法,对于q1的MA(q)模型，一般用迭代算法估计参数：由（*）式得,第一步，给出,的一组初值，比如,代入（*）式，计算出第一次迭代值,（*）,第二步，将第一次迭代值代入（*）式，计算出第二次迭代值,按此反复迭代下去，直到第m步的迭代值与第m-1步的迭代值相差不大时（满足一定的精度），便停止迭代，并用第m步的迭代结果作为（*）的近似解。,ARMA(p,q)模型的矩估计,在ARMA(p,q)中共有(p+q+1)个待估参数1,2,p与1,2,q以及2，其估计量计算步骤及公式如下：第一步，估计1,2,p,是总体自相关函数的估计值，可用样本自相关函数rk代替。,第二步，改写模型，求1,2,q以及2的估计值,将模型,改写为：,令,于是(*)可以写成：,(*),构成一个MA模型。按照估计MA模型参数的方法，可以得到1,2,q以及2的估计值。,AR(p)的最小二乘估计,假设模型AR(p)的参数估计值已经得到，即有,残差的平方和为：,(*),根据最小二乘原理，所要求的参数估计值是下列方程组的解：,即,j=1,2,p(*),解该方程组，就可得到待估参数的估计值。,为了与AR(p)模型的Yule Walker方程估计进行比较，将(*)改写成：,j=1,2,p,由自协方差函数的定义，并用自协方差函数的估计值,代入，上式表示的方程组即为：,或,j=1,2,p,j=1,2,p,解该方程组，得到：,即为参数的最小二乘估计。Yule Walker方程组的解,比较发现，当n足够大时，二者是相似的。2的估计值为：,需要说明的是，在上述模型的平稳性、识别与估计的讨论中，ARMA(p,q)模型中均未包含常数项。,如果包含常数项，该常数项并不影响模型的原有性质，因为通过适当的变形，可将包含常数项的模型转换为不含常数项的模型。下面以一般的ARMA(p,q)模型为例说明。对含有常数项的模型,方程两边同减/(1-1-p)，则可得到,其中,1、残差项的白噪声检验 由于ARMA(p,q)模型的识别与估计是在假设随机扰动项是一白噪声的基础上进行的，因此，如果估计的模型确认正确的话，残差应代表一白噪声序列。如果通过所估计的模型计算的样本残差不代表一白噪声，则说明模型的识别与估计有误，需重新识别与估计。在实际检验时，主要检验残差序列是否存在自相关。,六、模型的检验,时间序列模型的识别与估计过程往往是同步进行的。由于在实际识别ARMA(p,q)模型时，滞后项阶数的选择并不是一件容易的事，因此模型在识别与估计之后还需进行检验。,2、AIC与SBC模型选择标准 另外一个遇到的问题是，在实际识别ARMA(p,q)模型时，需多次反复偿试，有可能存在不止一组（p,q）值都能通过识别检验。显然，增加p与q的阶数，可增加拟合优度，但却同时降低了自由度。因此，对可能的适当的模型，存在着模型的“简洁性”与模型的拟合优度的权衡选择问题。,可用QLB的统计量进行2检验：在给定显著性水平下，可计算不同滞后期的QLB值，通过与2分布表中的相应临界值比较，来检验是否拒绝残差序列为白噪声的假设。若大于相应临界值，则应拒绝所估计的模型，需重新识别与估计。,其中，n为待估参数个数（p+q+可能存在的常数项），T为可使用的观测值，RSS为残差平方和（Residual sum of squares）。在选择可能的模型时，AIC与SBC越小越好 显然，如果添加的滞后项没有解释能力，则对RSS值的减小没有多大帮助，却增加待估参数的个数，因此使得AIC或SBC的值增加。需注意的是：在不同模型间进行比较时，必须选取相同的时间段。,常用的模型选择的判别标准有：赤池信息法（Akaike information criterion，简记为AIC）与施瓦兹贝叶斯法（Schwartz Bayesian criterion，简记为SBC）：,中国支出法GDP是非平稳的，但它的一阶差分是平稳的，即支出法GDP是I(1)时间序列。可以对经过一阶差分后的GDP建立适当的ARMA(p,q)模型。记GDP经一阶差分后的新序列为GDPD1，该新序列的样本自相关函数图与偏自相关函数图如下：,例、；中国支出法GDP的ARMA(p,q)模型估计。,图形：样本自相关函数图形呈正弦线型衰减波，而偏自相关函数图形则在滞后两期后迅速趋于0。因此可初步判断该序列满足2阶自回归过程AR(2)。,自相关函数与偏自相关函数的函数值：相关函数具有明显的拖尾性；偏自相关函数值在k2以后，,可认为：偏自相关函数是截尾的。再次验证了一阶差分后的GDP满足AR(2)随机过程。,设序列GDPD1的模型形式为,有如下Yule Walker 方程：,解为：,用OLS法回归的结果为：,（7.91)(-3.60)r2=0.8469 R2=0.8385 DW=1.15,有时，在用回归法时，也可加入常数项。本例中加入常数项的回归为：,（1.99）（7.74）（-3.58）r2=0.8758 R2=0.8612 DW.=1.22,模型检验,下表列出三模型的残差项的自相关系数及QLB检验值。,模型1与模型3的残差项接近于一白噪声，但模型2存在4阶滞后相关问题，Q统计量的检验也得出模型2拒绝所有自相关系数为零的假设。因此:模型1与3可作为描述中国支出法GDP一阶差分序列的随机生成过程。,用建立的AR(2)模型对中国支出法GDP进行外推预测。,模型1可作如下展开：,于是，当已知t-1、t-2、t-3期的GDP时，就可对第t期的GDP作出外推预测。模型3的预测式与此相类似，只不过多出一项常数项。,对2001年中国支出法GDP的预测结果（亿元）预测值 实际值 误差 模型1 95469 95933-0.48%模型3 97160 95933 1.28%,由于中国人均居民消费（CPC）与人均国内生产总值（GDPPC）这两时间序列是非平稳的，因此不宜直接建立它们的因果关系回归方程。但它们都是I(2)时间序列，因此可以建立它们的ARIMA(p,d,q)模型。下面只建立中国人均居民消费（CPC）的随机时间序列模型。中国人均居民消费（CPC）经过二次差分后的新序列记为CPCD2，其自相关函数、偏自相关函数及Q统计量的值列于下表：,例、中国人均居民消费的ARMA(p,q)模型,在5%的显著性水平下，通过Q统计量容易验证该序列本身就接近于一白噪声，因此可考虑采用零阶MA(0)模型:,由于k=2时，|r2|=|-0.29|,因此,也可考虑采用下面的MA模型：,当然，还可观察到自相关函数在滞后4、5、8时有大于0.2的函数值，因此，可考虑在模型中增加MA(4)、MA(5)、MA(8)。不同模型的回归结果列于下表中,可以看出:在纯MA模型中，模型4具有较好的性质，但由于MA(5)的t检验偏小，因此可选取模型3。,最后，给出通过模型3的外推预测。,模型3的展开式为：,即,由于t表示预测期的随机扰动项，它未知，可假设为0，于是t期的预测式为:,为模型3中滞后2期与滞后4期的相应残差项的估计值。,