文章目录
平稳时间序列
平稳时间序列
在时间序列分析中,平稳时间序列是一类重要的特殊的随机序列。时间序列分析的基本用途是根据过去的信息预测未来,而平稳时间序列的历史记录 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn 中往往含有 X n + 1 X_{n+1} Xn+1 的信息,这就使得利用历史样本预测将来成为可能。
首先介绍一下平稳时间序列的概念,分为两种:宽平稳序列和严平稳序列。
严平稳过程
对于时间序列 { X t : t = 1 , 2 , ⋯ } \{ X_t: t=1,2,\cdots\} { Xt:t=1,2,⋯} ,如果对于每一个时间指标集 1 ≤ t 1 ≤ t 2 ≤ . . . ≤ t m 1\leq t_1\leq t_2\leq...\leq t_m 1≤t1≤t2≤...≤tm 和任意的正整数 h h h,满足 { X t 1 , X t 2 , ⋯ , X t m } \{X_{t_1},X_{t_2},\cdots,X_{t_m}\} { Xt1,Xt2,⋯,Xtm} 的联合概率分布与 { X t 1 + h , X t 2 + h , ⋯ , X t m + h } \{X_{t_1+h},X_{t_2+h},\cdots,X_{t_m+h}\} { Xt1+h,Xt2+h,⋯,Xtm+h} 的联合概率分布相同,则称 X t X_t Xt 是严平稳的。
宽平稳过程
对于时间序列 { X t : t = 1 , 2 , ⋯ } \{ X_t: t=1,2,\cdots\} { Xt:t=1,2,⋯} ,如果其均值和方差不随着时间而变化,协方差只依赖于两个观测值之间的距离 k k k ,而与所处的时间点 t t t 的位置无关,则称 X t X_t Xt 是宽平稳的。
- E ( X t ) = μ {\rm E}(X_t)=\mu E(Xt)=μ ;
- V a r ( X t ) = σ 2 {\rm Var}(X_t)=\sigma^2 Var(Xt)=σ2 ;
- C o v ( X t , X t + k ) = γ k {\rm Cov}(X_t,\,X_{t+k})=\gamma_k Cov(Xt,Xt+k)=γk 。
我们通常所说时间序列的平稳性是指宽平稳性。
伪回归现象
采用平稳时间序列建立计量经济学模型的其中一个优点在于可以有效地避免伪回归现象。Granger 曾通过模拟试验发现,完全无关的非平稳时间序列之间可以得到拟合很好但毫无道理的回归结果。这说明非平稳时间序列由于具有共同的变化趋势,即使它们之间在经济行为上并不存在因果关系,但也能够显示较强的统计上的因果关系。
这就是伪回归现象,例如下面的两个模型:
Y t = Y t − 1 + u t , u t ∼ N ( 0 , σ 2 ) , Y_t=Y_{t-1}+u_{t} \ , \ \ \ \ u_t \sim N(0,\sigma^2) \ , Yt=Yt−1+ut , ut∼N(0,σ2) ,
X t = X t − 1 + v t , v t ∼ N ( 0 , σ 2 ) , X_t=X_{t-1}+v_t \ , \ \ \ \ v_t \sim N(0,\sigma^2) \ , Xt=Xt−1+vt , vt∼N(0,σ2) ,
显然 Y t Y_t Yt 和 X t X_t Xt 无关,但由于这两个时间序列由同分布的正态白噪声生成,如果做 Y t Y_t Yt 对 X t X_t Xt 的简单回归,结果的 t t t 检验会十分显著。
我们需要注意的是,并不是平稳时间序列之间不会出现伪回归现象,只是非平稳时间序列之间出现伪回归的可能性更大,因此对时间序列进行平稳性检验可以有效地减少伪回归现象。当然,杜绝伪回归的根本方法是正确的设定模型。
白噪声序列
白噪声是用来描述简单随机干扰的平稳序列,是最简单的平稳序列。定义如下:
设 { ε t } \{\varepsilon_t\} {
εt} 是一个平稳序列,如果对任何 s , t ∈ N s,\,t\in\mathbb{N} s,t∈N ,
E ( ε t ) = μ , C o v ( ε t , ε s ) = { σ 2 , t = s , 0 , t ≠ s , {\rm E}(\varepsilon_t)=\mu \ , \ \ \ \ {\rm Cov}(\varepsilon_t,\,\varepsilon_s)=\left\{ \begin{array}{ll} \sigma^2\ , & t=s\ ,\\ 0\ , & t\neq s\ , \end{array} \right. E(ε