有了《独立同分布的大样本OLS回归》的铺垫,现在进一步将OLS推广到平稳时间序列的情况。
思路还是一样:
- 进行点估计,再研究估计量的性质;
- 构造统计量,在大样本下推导其渐近分布,并进行假设检验。
这里的各种计算与上一篇非常像,需要注意的是大数定律和中心极限定理在这里的使用条件(遍历平稳、鞅差分过程等)与上一篇不同,因此也需要不同的假设。
1 记号与假设
记 Q = E ( x t x t ′ ) Q=\text{E}(x_t x_t') Q=E(xtxt′), V = Var ( x t ε t ) V=\text{Var}(x_t\varepsilon_t) V=Var(xtεt)。
- 假设1 遍历平稳性(Ergodic stationary): { x t ′ , y t } ′ \{x_t',y_t\}' { xt′,yt}′, t = 1 , … , N t=1,\ldots,N t=1,…,N是可观测的遍历平稳过程;
- 假设2 线性性: y t = x t ′ β + ε t y_t=x_t'\beta+\varepsilon_t yt=xt′β+εt,可写作矩阵形式 y = X β + ε y=X\beta+\varepsilon y=Xβ+ε;
- 假设3 模型正确设定: E ( ε t ∣ x t ) = 0 \text{E}(\varepsilon_t|x_t)=0 E(εt∣xt)=0且 E ( ε t 2 ) = σ 2 < ∞ \text{E}(\varepsilon_t^2)=\sigma^2<\infty E(εt2)=σ2<∞;
- 假设4 非奇异性: K × K K\times K K×K矩阵 Q Q Q是对称、有限、非奇异的;
- 假设5 鞅差分:相对于 { x s ε s , s < t } \{x_s \varepsilon_s, s\lt t\} {
xsεs,s<t}
生成的 σ \sigma σ-域, { x t ε t } \{x_t \varepsilon_t\} { xtεt}为一鞅差分序列,且 K × K K\times K K×K矩阵 V V V是对称、有限、正定的; - 假设6 条件同方差: E ( ε t 2 ∣ x t ) = σ 2 \text{E}(\varepsilon_t^2|x_t)=\sigma^2 E(εt2∣xt)=σ2。
假设1包含了上一篇中的独立同分布过程。由于不再是在独立同分布假设下,因此严格外生性 E ( ε t ∣ X ) = 0 \text{E}(\varepsilon_t|X)=0 E(εt∣X)=0不一定可以满足。假设3允许 x t x_t xt包含前定变量(predetermined variables)如滞后的因变量 y t 1 y_{t_1} yt1等,另外,由于有假设3的保证, V = Var ( x t ε t ) = E ( x t x t ′ ε t 2 ) V=\text{Var}(x_t\varepsilon_t)=\text{E}(x_t x_t' \varepsilon^2_t) V=Var(xtεt)=E(xtxt′εt2)。
2 一些定理
定理1 遍历平稳随机样本的弱大数定律:假设 { Z t } t = 1 n \{Z_t\}_{t=1}^n { Zt}t=1n为遍历平稳过程, E ( Z t ) = μ \text{E}(Z_t)=\mu E(Zt)=μ且 E ( ∣ Z t