【ARDL】自回归分布滞后模型

本文学习笔记视频来源：
Wayne-Wangc：ARDL自回归分布滞后模型

ARDL是什么？

ARDL（Autoregressive Distributed Lag Model）是一种时间序列分析方法，用于建立变量之间的长期关系。它可以被视为ARIMA（Autoregressive Integrated Moving Average Model）模型的扩展，因为它允许模型包含外生变量和滞后变量。

作用

ARDL模型通常用于分析一个变量受其他变量影响的程度，以及变量之间的长期关系。它可以用于估计联合稳健性系数、长期均衡关系、短期动态调整等。

核心思想

ARDL模型的核心思想是将目标变量和其他变量看作是联合平稳的时间序列，并采用阶梯回归方法进行估计。在阶梯回归中，先通过最小二乘法估计自回归项和趋势项的系数，在此基础上进一步估计相互影响的系数。这样，ARDL模型可以同时考虑长期和短期影响，从而更好地描述变量之间的关系。

公式

其中，p为y的自回归阶数，q为x的滞后阶数，最后一项为白噪声。
对于滞后阶数（p，q）的选择，可以使用信息准则（AIC或BIC），或进行序贯检验，即使用t或F检验来检验最后一阶系数的显著性。
在ARDL 模型中，也可引入更多的解释变量：比如，变量Z的r阶滞后(Zt-1，…，Zt-r)。
对于ARDL模型，解释变量Xt-1对于Yt的边际效应为γ1，但这并非长期效应。

示例

补充内容

信息准则AIC/BIC

AIC（Akaike Information Criterion）和BIC（Bayesian Information Criterion）是统计学中常用的模型选择准则，用于在给定数据集的情况下比较不同的统计模型。它们旨在帮助确定哪个模型对特定数据集的拟合最好，同时考虑到模型的复杂性。

AIC

1. 简介
   AIC是基于信息理论的概念，通过考虑模型的拟合优度以及模型的复杂性来进行模型选择。AIC值越小代表模型对数据的拟合越好，但也需要注意是否增加了过多的参数来实现这种拟合。
2. 表达式
   

它的假设条件是模型的误差服从独立正态分布。
其中：k是所拟合模型中参数的数量，L是对数似然值，n是观测值数目。k小意味着模型简洁，L大意味着模型精确。因此在评价模型是兼顾了简洁性和精确性。

BIC

1. 简介
   BIC是基于贝叶斯统计理论，一般来说，BIC值比AIC值更加倾向于简单的模型。BIC考虑了样本量对模型选择的影响，对于大样本来说，BIC更倾向于选择简单的模型。
2. 表达式
   
   其中，L是似然函数，n是样本大小，K是参数数量
   可参考文章：BIC贝叶斯信息准则（用于解决ARIMA模型中q、p参数选择问题）

总结

AIC偏向于选择复杂模型，而BIC倾向于选择简单模型。

在实际例子中，AIC和BIC可以用来选择最适合特定数据集的统计模型。接下来我会以线性回归模型为例，说明如何使用AIC和BIC进行模型选择。

假设我们有一个包含多个自变量的数据集，并且我们想要建立一个线性回归模型来预测因变量。我们可以建立不同数量和类型的自变量的多个模型，然后使用AIC和BIC来确定哪个模型最适合我们的数据集。

首先，我们拟合不同的线性回归模型，每个模型使用不同的自变量组合。然后，对每个模型计算其对应的AIC和BIC值。最后，我们选择AIC或BIC值最小的模型作为最终选择的模型。

如果AIC和BIC都选择相同的模型，那就很简单了。但是，如果它们选择了不同的模型，我们可能需要权衡模型的复杂性和拟合优度来做出最终的选择。通常情况下，我们可以使用交叉验证等方法来进一步评估最终的模型选择。

总之，AIC和BIC可以帮助我们在实际应用中选择最适合数据集的模型，平衡了模型的拟合优度和复杂性。

序贯检验

序贯检验（Sequential Testing）是一种统计推断方法，用于**逐步地观察数据并进行假设检验，直到达到某个停止条件为止。**在序贯检验中，观察者可以根据每一步的观测结果来决定是否接受或拒绝一个假设，而不需要提前规定观测的总次数。它可以帮助我们在不浪费过多资源的情况下对假设进行检验，并及时做出决策。

在序贯检验中，需要定义拒绝假设的准则，并设定一个停止规则，比如当累积的观测信息足够支持接受或拒绝假设时就停止检验。此外，还需要考虑检验的类型（单侧检验、双侧检验等）和观测数据的分布等因素。

序贯检验的优点在于能够在观测过程中灵活地调整检验的进程，从而节省时间和资源。然而，序贯检验也需要谨慎使用，因为不当的停止规则可能导致错误的结论。序贯检验是一种灵活而高效的假设检验方法，能够在实时数据观测中发挥重要作用。