模型的自相关系数计算_CFA教材详解：时间序列模型的季节性，以预测星巴克销售额为例...

更多CFA官方教材详解，请关注“边际实验室”。

“边际实验室”是一家专注于金融科技、金融大数据领域的工作室，同时提供CFA、FRM等金融考试内容的免费讲解。

当我们分析时间序列模型的结果时，一个常见的问题是明显的季节性变化，在这种情况下，时间系列在一年之内出现有规律的运动。乍一看，使用自回归时间序列模型似乎可以排除季节性。毕竟，自相关系数会因季节而异。但是，我们一般通过在自回归模型中使用季节滞后项来解决此问题。

季节滞后项通常是当前时期前一年的时间序列值，作为自回归模型的额外项包括在内。例如，假设我们使用AR(1)模型对特定的季度时间序列进行建模，xt=b0+b1xt-1+εt。如果时间序列具有明显的季节性，则将无法正确指定此模型。由于可以对残差的季节自相关系数(第四个自相关系数)显著区别于0的原假设进行检验，因此季节性可以很容易识别。在这种情况下，我们可以在自回归模型中添加一个季节性滞后项，xt=b0+b1xt–1+b2xt–4+εt，以检验包含季节滞后项的方程是否可以消除残差在统计上的显著自相关。

我们将通过案例讲解如何在时间序列模型中检验和调整季节性。我们还将说明如何使用具有季节滞后项的自回归模型来预测模型结果。

案例 星巴克的销售季节性

早些时候，我们得出结论，我们不能仅使用时间趋势线来模拟星巴克的季度销售额对数，因为回归的Durbin-Watson统计量显示了残差中存在正序列相关。我们接下来会使用销售对数的一阶差分从数据中去除指数趋势，以获得协方差平稳的时间序列。

对于从1995年第一季度到2012年最后一个季度的季度数据，我们使用普通最小二乘法估计以下AR(1)模型：(ln销售额t-ln销售额t-1)=b0+b1(ln销售额t-1-ln销售额t-2)+εt。下表显示了回归结果。

表中要注意的第一件事是残差的强季节自相关。该表的底部显示第四个自相关系数的值为0.7667，t统计量为6.60。该模型有74个观测值和两个参数，具有72个自由度。t统计量的临界值在0.05的显著水平下约为1.99。根据t统计量的值，我们必须拒绝原假设，即第四个自相关系数等于0，因为t统计大于临界值1.99。

在该模型中，第四个自相关是季节自相关，因为AR(1)模型是用季度数据估计的。上表显示了在没有考虑季节性的情况下对具有很强的季节性的时间序列进行建模时出现的统计上显著的季节性自相关特征。因此，AR(1)模型是错误的，我们不应该将其用于预测。

假设由于季节自相关，我们决定使用具有季节滞后的自回归模型。我们对季度数据建模，因此我们估算公式：(ln销售额t-ln销售额t-1)=b0+b1(ln销售额t-1-ln销售额t-2)+b2(ln销售额t-4-ln销售额t-5)+εt。将季节性差异ln销售额t–4–ln销售额t–5相加是为了消除数据中一致的季度模式，并且还可以消除存在的季节性非平稳性。该方程式的估计值见下表。

请注意，下表底部的残差自相关系数。当在回归中添加季节性滞后项时，销售额对数一阶差方的系数(t统计量为–1.1148)不再具有统计显著性。但是，前四个自相关系数的t统计量现在都不显著。因为总体回归非常显著(F检验在0.01水平上显著)，所以我们可以将具有季节滞后项的AR(1)模型作为星巴克销售额的合理模型。

我们如何解释该模型中的系数？要预测星巴克当前季度的销售增长，我们需要知道两件事：上一季度的销售增长和四季度之前的销售增长。如果这两个季度的销售额都保持不变，那么下表中的模型预测本季度的销售额将增长0.0084(0.84%)。如果上一季度的销售额增长了1％，而四季度之前的销售额增长了2％，则该模型预测该季度的销售额增长将为0.0084-0.0602(0.01)+0.8048(0.02)=0.0239或2.39％。请注意，具有季节滞后项的模型中的R2(0.8163)比没有季节滞后项模型中的R2(0.1548)高出五倍以上。因此，季节性滞后模型在解释数据方面做得更好。

案例零售额增长

我们希望预测加拿大家居商店的每月零售额增长，以便决定是否推荐这些商店的股票。我们使用零售销售中非季节性调整的数据。首先，我们通过观察1995年1月至2012年12月零售额年均增长情况来估计AR(1)模型。

我们估计以下等式：销售增长t=b0+b1销售增长t-1+εt。下表显示了该模型的结果。

表的底部显示了该模型的残差自相关系数，表明该模型的季节性非常显著。该模型具有216个观测值和两个参数，214个自由度。

在0.05显著性水平下，t统计量的临界值约为1.97。第12个滞后自相关系数的值为0.7620，t统计量为11.21。此自相关的t统计量大于临界值(1.97)，这意味着我们可以拒绝原假设，即第12个自相关系数为0。注意，表中显示的许多其他自相关系数的t统计量与0有显著差异。因此，表中显示的模型没有被正确指定，我们不能依靠它来预测销售增长。

假设我们将销售增长的季节性滞后添加到AR(1)模型中，以估算方程式销售增长t=b0+b1(销售增长t-1)+b2(销售增长t-12)+εt。下表也给出了估计该方程的结果。季节性自相关系数(第12个自相关系数)的估计值已降至-0.1168。前12个自相关系数的t统计量绝对值都没有大于0.05显著性水平下的临界值1.97。

我们可以得出结论，该模型的残差中没有明显的序列相关性。因为我们可以合理地认为该模型已正确指定，所以我们可以使用它来预测零售额的增长。请注意，有季节滞后系数的R2为0.6724，比无季节滞后系数的R2大得多。

我们如何解释模型中的系数？要预测本月零售销售的增长，我们需要知道上月的零售销售增长和12个月前的零售销售增长。如果上个月和12个月前的零售额保持不变，模型预测本月零售额将以年增长率23.7%左右增长。如果上月零售销售年增长率10%,12个月前的年增长率为5%,该模型预测,零售销售年增长率将是0.2371-0.0792(0.10)+0.7798(0.05)=0.2682或26.8%。

本文由边际实验室原创，转载请务必注明出处。