【中级计量经济学】Lecture 7 时间序列

Lecture 7 时间序列

7.1 时间序列介绍

一系列以时间为顺序的随机变量 { … X 1 , X 2 , … , X t , …   } \{\dots X_1,X_2,\dots,X_t,\dots\} { …X1​,X2​,…,Xt​,…}，即 { X t , t ∈ T } \{X_t,t\in T\} { Xt​,t∈T}.

这些随机变量可能是连续的，也可能是离散的。我们所观测到的只是这些随机变量在每一个时点的实现值（观测值） { … , x 1 , x 2 , … , x t , …   } \{\dots,x_1,x_2,\dots,x_t,\dots\} { …,x1​,x2​,…,xt​,…}.

平稳性：基于过去信息得到的时间依赖性（temporal dependency）只有在**概率分布不随时间改变（平稳性）**的条件下，才能用于预测未来。

• 强平稳：对任意的$k$和$s$，$f(X_{t_1},X_{t_2},\dots ,X_{t_k})$与$f(X_{t_1+s},X_{t_2}+s,\dots ,X_{t_k}+s)$，表示相同的概率分布函数

• 弱平稳：$\mathrm{E}(X_t)=\mu$，$\mathrm{V}\mathrm{a}\mathrm{r}(X_t)={\sigma }^2$，$\mathrm{C}\mathrm{o}\mathrm{v}(X_t,X_{t+k})={\gamma }_k$$\Rightarrow Var(X_t)=Cov(X_t,X_t)={\gamma }_0={\sigma }^2$，时间序列的均值、方差不随时间而变化，（自）协方差仅依赖于观测时点之间的时间间隔而于所处的时间点无关。我们所说的时间序列平稳指的是弱平稳。

白噪声：零均值、同方差、序列不相关 { a t } ∼ W N ( 0 , σ a 2 ) \{a_t\}\sim WN(0,\sigma^2_a) { at​}∼WN(0,σa2​)；高斯（Gaussian）白噪声服从正态分布。

$WN(0,{\sigma }_a^2)$表示服从均值为0，方差为${\sigma }_a^2$的白噪声序列；$N(0,{\sigma }^2)$表示服从均值为0，方差${\sigma }^2$的正态分布

自相关方程（ACF）：
$${\rho }_l=\frac{Cov(X_t,X_{t-l})}{\sqrt{Var(X_t)Var(X_{t-l})}}=\frac{{\gamma }_l}{{\sigma }^2}=\frac{{\gamma }_l}{{\gamma }_0}$$

• ${\rho }_0=1,{\rho }_l-{\rho }_{-l},-1\le {\rho }_l\le 1$.

• 对平稳序列才有意义，线性时间序列以ACF为特征

• 白噪声的ACF=0

• 习惯上，这一个序列称为自相关方程，单个称为自相关系数

样本自相关系数：
$${\hat{\rho }}_l=\frac{\sum _{t=l}^T(X_{t-l}-\bar{X})(X_t-\bar{X})}{\sum _{t=1}^T(X_t-\bar{X}{)}^2}$$

7.2 单变量均值回归模型

ARMA模型考察的时间序列的自相关性

AR（Auto Regression）模型（自回归模型/自相关模型）

	AR(1)	AR(2)	AR( p )
表达式	$r_t={\varphi }_0+{\varphi }_1{r}_{t-1}+a_t$	$r_t={\varphi }_0+{\varphi }_1{r}_{t-1}+{\varphi }_2{r}_{t-2}+a_t$	$r_t={\varphi }_0+{\varphi }_1{r}_{t-1}+\cdots +{\varphi }_p{r}_{t-p}+a_t$
特征方程	$x-{\varphi }_1=0$	$x^2-{\varphi }_{1}x-{\varphi }_2=0$	$x^p-{\varphi }_1{x}^{p-1}-\cdots -{\varphi }_p=0$
弱平稳条件	$|{\varphi }_1|<1$	特征根的模（因为可能是虚数）小于1
条件矩	$$\begin{gathered} E(r_t|F_{t-1})={\varphi }_0+{\varphi }_1\cdot r_{t-1} \\ Var(r_t|F_{t-1})={\sigma }_a^2 \end{gathered}$$	$$\begin{gathered} E(r_t|F_{t-1})={\varphi }_0+{\varphi }_1\cdot r_{t-1}+{\varphi }_2\cdot r_{t-2} \\ Var(r_t|F_{t-1})={\sigma }_a^2 \end{gathered}$$
无条件矩	$$\begin{gathered} \mu =E(r_t)=\frac{{\varphi }_0}{1-{\varphi }_1} \\ {\sigma }^2(r_t)=\frac{{\sigma }_a^2}{1-{\varphi }_1^2} \end{gathered}$$ 滞后$l$期的自协方差：${\gamma }_l={\varphi }_1{\gamma }_{l-1}=\cdots ={\varphi }_1^l{\gamma }_0$	$$\begin{gathered} \mu =E(r_t)=\frac{{\varphi }_0}{1-{\varphi }_1-{\varphi }_2} \\ {\sigma }^2(r_t)=\frac{{\sigma }_a^2}{1-{\varphi }_1^2-{\varphi }_2^2-2{\varphi }_1{\varphi }_2{\rho }_1} \end{gathered}$$
ACF（反映特征，和特征方程形式类似）	${\rho }_0=1$ ${\rho }_l={\varphi }_1^l(l\ge 1)$ 无限记忆、无限衰减 拖尾	${\rho }_0=1$ ${\rho }_1=\frac{{\varphi }_1}{1-{\varphi }_2}$ ${\rho }_l={\varphi }_1{\rho }_{l-1}-{\varphi }_2{\rho }_{l-2}(l\ge 2)$ · 如果${\varphi }_1^2+4{\varphi }_2>0$，两个指数衰减的混合 · 如果${\varphi }_1^2+4{\varphi }_2<0$，逐渐衰弱的正余弦波（表明商业周期存在）
PACF	${\hat{\varphi }}_{1,1}$为滞后1期的PCAF AR(1)的PACF在滞后期为1后截尾	${\hat{\varphi }}_{2,2}$为滞后2期的PCAF AR(2)的PACF在滞后期为2后截尾	ϕ ^ p , p \hat{\phi}_{p,p} ϕ^​