非平稳时间序列分析共33页
16.第十三讲 非平稳时间序列解析
非平稳时间序列
非平稳时间序列：常规假设检验、置信区间、 预测均失效。
非平稳时间序列的两个例子：
1. 趋势 2. 突变
一个平稳的时间序列在图形上往往表现出 一种围绕其均值不断波动的过程；
而非平稳序列则往往表现出在不同的时间 段具有不同的均值（如持续上升或持续下 降）。
什么是趋势
趋势(trend)是指变量随时间持续长期的运动。
Yt 1Yt 1 2Yt 2 L pYp 1 ut
LYt Yt 1 L2Yt Yt 2 LpYt Yt p
Yt 1Yt 1 2Yt 2 L pYp 1 ut
LYt Yt 1 L2Yt Yt 2 将滞后算子带入到方程，得： LpYt Yt p
随机性趋势、自回归模型和单位根
对于AR(1)来说，时间序列平稳的条件 是|β1| <1。 对于AR(p)来说，需要引入滞后算子： 定义一阶滞后算子L为：
Lxt = xt -1 k阶滞后算子定义为
Lkxt = xt - k
由于常数项与是否平稳无关，因此，原方程可 以写为：
Yt 1Yt 1 2Yt 2 L pYp 1 ut
时间趋势中有确定性和随机性两种类型的趋势。其中确 定性趋势是时间的非随机函数。例如，确定性趋势为时 间的线性函数，若通货膨胀中有每季度上升0. 1个百分 点的确定性时间趋势，则该趋势可表为0.1t，其中t表示 季度。
随机性趋势是随机的且随时间变化的趋势。
例如通货膨胀中的随机性趋势显示出较长时间 的下降之后伴随着较长时间的上升。
渐近正态分布，甚至不是对称分布，即使是在大样 本下，而是向左偏向于0。这是因为，由于{Yt} 不 是平稳序列，中心极限定理不再适用。
第十一章 非平稳时间序列分析 《计量经济学》PPT课件
Δyt = δyt-1 + ut 的参数，如图11.2.4所示：
图11.2.4
由图11.2.4可知，ˆ =0.105475， Tδ=9.987092。此结
果也可以由EViews软件中的单位根检验功能（选择 不包含常数项和滞后项数为零）直接给出， 如图11.2.5所示:
第十一章 非平稳时间序列分析 【本章要点】（1）非平稳时间序列基本概念 （2）时间序列的平稳性检验（3）协整的概念以 及误差修正模型(ECM) 本章将只对非平稳时间序列的基本概念、时间序 列的平稳性的单位根检验以及协整理论等进行简 要讲述。
时间序列的非平稳性，是指时间序列的统计规律随 着时间的位移而发生变化，即生成变量时间序列数 据的随机过程的统计特征随时间变化而变化。只要 宽平稳的三个条件不全满足，则该时间序列便是非 平稳的。当时间序列是非平稳的时候，如果仍然应 用OLS进行回归，将导致虚假的结果或者称为伪回 归。这是因为其均值函数、方差函数不再是常数， 自协方差函数也不仅仅是时间间隔的函数。
就是带趋势项的随机游走过程。
（二）单位根检验的基本思想
在（11.2.6）式中，若α = 0，则式（11.2.6）可以
写成：
yt = ρyt-1 + ut
（11.2.7）
式（11.2.7）称为一阶自回归过程，记作AR(1),可以
证明当| ρ | <1时是平稳的，否则是非平稳的。
AR(1)过程也可以写成算符形式：
（三）DF检验 (Dickey-Fuller Test) 1.DF检验 DF检验的具体作法是用传统方法计算出的参数的T— 统计量，不与t 分布临界值比较而是改成DF分布临界 值表。
第八章、非平稳时间序列分析
第八章、非平稳时间序列分析很多时间序列表现出非平稳的特性：随机变量的数学期望和方差随时间的变化而变化。
宏观经济数据形成的时间序列中有很多是非平稳时间序列。
非平稳时间序列与平稳时间序列具有截然不同的特征，研究的方法也很不一样。
因此，在对时间序列建立模型时，必须首先进行平稳性检验，对于平稳时间序列，可采用第七章的方法进行分析，对于非平稳时间序列，可以将采用差分方法得到平稳时间序列，然后采用平稳时间序列方法对差分数据进行研究，对于多个非平稳时间序列则可以采用协整方法对其关系进行研究。
8.1 随机游动和单位根8.1.1随机游动和单位根如果时间序列t y 满足模型t t t y y ε+=-1 （8.1）其中t ε为独立同分布的白噪声序列， ,2,1,)(2==t Var t σε，则称t y 为标准随机游动（standard random walk ）。
随机游动表明，时间序列在t 处的值等于1-t 时的值加上一个新息。
如果将t y 看作一个质点在直线上的位置，当前位置为1-t y ，则下一个时刻质点将向那个方向运动、运动多少（t ε）是完全随机的，既与当前所处的位置无关（t ε与1-t y 不相关），也与以前的运动历史无关（t ε与 ,,32--t t y y 不相关），由质点的运动历史和当前位置不能得出下一步运动方向的任何信息。
这便是 “随机游动”的由来。
随机游动时间序列是典型的非平稳时间序列。
将（8.1）进行递归，可以得出010211y y y y t s s t t t t t t t +==++=+=∑-=----εεεε （8.2）。
如果初始值0y 已知，则可以计算出t y 的方差为2)(σt y Var t =。
由此看出随机游动在不同时点的方差与时间t 成正比，不是常数，因此随机游动是非平稳时间序列。
下图给出了随12机游动时间序列图：图8.1 随机游动时间序列图将随机游动（8.1）用滞后算子表示为t t y L ε=-)1( （8.3），滞后多项式为L L -=Φ1)(。
非平稳时间序列解析
动态乘子的比较
趋势平稳过程 动态乘子:
xt t+( B) t
xt s t
2 趋势平稳过程满足 j 0 j , 所以
xt s lims 0. t
单整序列
差分一次变为平稳过程，记为I(1) 平稳过程记为I(0) 如果差分n-1次不平稳，差分n次平稳，称 为n阶单整的，记为I(n)
趋势平稳过程和单位根过程比较
预测比较
H 0 : xt xt 1 t H1 : xt t ( xt 1 t ) t ,| | 1
包含一个确定性趋势和一个随机趋势
单位根过程
满足下面表达式的过程成为单位根过程
(1 B) xt t 1 t 1
其中
(B) t
(1) 0, j 0 2 j , (u ) 0根在单位圆外.
单位根过程对时间序列的增量进行刻画，增 量平稳，但水平变量不平稳。
2.方差有界并且不随时间变化,是常数. 称为方差齐性
平稳ARMA模型, 可表示为
xt t 1 t 1
,
i 0
| i |
t WN (0, )
2
此类模型的特点 3. 长期预测趋于无条件均值 4. 预测误差的方差有界
序列分解
xt l t l 1 t l 1 et (l )
预测误差
l 1 t 1 l t l 1 t 1 ˆt (l ) x
预测值
ˆ (l ) E ( xt l xt , xt 1 , ) x Var ( xt l xt , xt 1 , ) Var[et (l )]
第六章 非平稳时间序列分析
第六章非平稳时间序列分析前几章讨论的都是平稳时间序列，然而在实际应用中，特别是在经济和商业中出现的时间序列大多是非平稳的，如非常数均值的时间序列，非常数方差的时间序列，或者二者皆有。
第一节非平稳性的检验该方法即是利用时间序列资料图，观察趋势性或周期性。
如果序列存在着明显的趋势或周期变化，则表明该序列可能是非平稳时间序列。
这种方法直观简单，但主观性较强。
一个零均值平稳时间序列的自相关和偏自相关函数，要么拖尾，要么截尾。
如果零值化的时序既不拖尾，也不截尾，而是呈现出缓慢衰减或者周期性衰减，则认为可能存在趋势或周期性，应视为非平稳。
该方法是首先对序列拟合一个恰当的模型，再针对该模型计算其对应特征方程的特征根。
如果它的所有特征根均在单位圆之外，则该序列平稳；否则非平稳。
该方法可以检验序列是否存在单调趋势。
原理：将序列分成几段，计算每一段的均值或方差，组成新的序列。
若原序列无明显趋势变化则均值（或方差）序列的逆序总数不应过大或过小，过大说明原序列有上升的趋势，过小说明序列有下降趋势。
原理：在原序列与趋势变化的原假设下，原序列的每个值与序列均值对比后的符号序列的游程不应过小或过多。
过小或过多均表示原序列存在某种趋势。
1、DF 统计量的分布特征给出三个自回归模型前面所述的单变量模型只含有一阶的滞后，当模型中含有更高阶滞后项时，有类似的分析结论。
此时对β是否等于1的检验称为ADF 检验。
（2）根据不同的模型选用DF 或ADF 统计量，每个统计量均有三种情况选择：含截距项、含截距项和趋势项以及不含截距项和趋势项。
（3）DF （ADF ）检验采用的是最小二乘估计。
（4）DF （ADF ）检验是左侧单边检验。
当DF （ADF ）<临界值时，拒绝H0 ，即序列为平稳的；当DF （ADF ）>临界值时接受H0 ，即序列为非平稳的。
第二节平稳化方法本节介绍三种常用的平稳化方法：差分、季节差分以及对数变换与差分结合运用。
第七章非平稳时间序列分析解读
ˆ 1 t ˆ ˆ
W 1 1 W 1 W r dr ˆ 1 N L 0 1 2 2 12 2 1 1 ˆ (N 2 2 ˆ) W r dr [ W r dr]
二、单位根过程检验统计量分布基础
如前所述，对单位根过程这种非平稳序列 的分析，传统分析方法失效，需寻找新的 处理方法和技巧。这些新的分析方法都是 建立在维纳过程（布朗运动）和泛函中心 极限定理之上。
（一）维纳过程
设 W (t ) 是定义在闭区间[0， 1]上一连续变化的随机过程， 若 该过程满足： （a） W(0)=0； （b） 独立增量过程：对闭区间 [0 ， 1] 上任意一组分割 0 t1 t 2 t k 1 ， W (t ) 的 变 化 量 ：
模拟一、 模拟二
二、非平稳序列的分类
（一） 随机趋势非平稳过程（stochastic trend process） 随机趋势非平稳过程又称为差分平稳过程 （difference stationary process）、有漂 移项的非平稳过程（non-stationary process with drift）。
H 0 : 1;
情形四：假设数据由（真实过程） (7.30)产生，在回归模型 yt yt 1 t t 中检 验假设：
H 0 : 1; 0
t统计量的极限分布依赖于回归模型形式的选
择（即是否包含常数项和趋势项）
（一） 情形一的DF检验法
y ˆ y
第七章 非平稳时间序列分析
时间序列分析中的平稳性与非平稳性
时间序列分析中的平稳性与非平稳性时间序列分析是一种用来研究时间数据的统计方法，它可以揭示出时间序列数据的模式和趋势，并预测未来的发展。
在进行时间序列分析时，我们经常会遇到平稳性和非平稳性的问题，本文将重点讨论这两个概念及其在时间序列分析中的重要性。
1. 什么是平稳性？平稳性是指时间序列在统计特性上具有不变性，即其均值和方差不随时间的推移而发生改变。
具体而言，平稳时间序列的均值在时间维度上是稳定的，方差也不会随时间变化而增加或减小。
此外，平稳时间序列的自协方差只与时间间隔有关，而与特定时间点无关。
2. 平稳性的判断方法为了判断一个时间序列是否具有平稳性，我们可以使用一些统计检验方法。
常见的方法有ADF检验（Augmented Dickey-Fuller test）、KPSS检验（Kwiatkowski-Phillips-Schmidt-Shin test）等。
ADF检验通常用于检验平稳性，其原假设是时间序列具有单位根（非平稳），如果检验结果拒绝了原假设，则可以得出时间序列是平稳的结论。
3. 非平稳性的表现形式非平稳性的时间序列可能会呈现出明显的趋势、季节性或周期性变化。
趋势是时间序列长期的、持续的上升或下降，季节性是指时间序列在特定时间点上出现的周期性波动，周期性是指时间序列存在长期的、不规则的上升或下降。
4. 非平稳性的处理方法如果时间序列是非平稳的，我们需要对其进行处理，以使其具备平稳性。
常见的处理方法有差分法、对数变换等。
差分法可以通过计算相邻时间点的差值来消除趋势和季节性，对数变换则可以通过对时间序列取对数来减少其波动性。
5. 平稳性的重要性平稳性在时间序列分析中非常重要，具有以下几个方面的意义： - 简化模型：平稳时间序列的统计特性稳定，可以简化模型的建立和预测。
- 降低误差：平稳时间序列的随机误差具有恒定的方差，使得模型的预测更准确。
- 提高可靠性：基于平稳时间序列建立的模型具有更好的可靠性和稳定性，可以更好地应对未来的变化。
非平稳时间序列
第七章非平稳时间序列时间序列数据被广泛地运用于计量经济研究。
经典时间序列分析和回归分析有许多假定前提，如序列的平稳性、正态性等,，如果直接将经济变量的时间序列数据用于建模分析，实际上隐含了这些假定。
在这些假定成立的条件下，进行的t检验、F检验与2 等检验才具有较高的可靠度。
但是，越来越多的经验证据表明，经济分析中所涉及的大多数时间序列是非平稳的。
那末，如果直接将非平稳时间序列当作平稳时间序列来进行分析，会造成什么不良后果？如何判断一个时间序列是否为平稳序列？当我们在计量经济分析中涉及到非平稳时间序列时，应作如何处理呢？这就是本章要讨论的基本内容。
第一节伪回归问题经典计量经济学建模过程中，通常假定经济时间序列是平稳的，而且主要以某种经济理论或对某种经济行为的认识来确立计量经济模型的理论关系形式，借此形式进行数据收集、参数估计以及模型检验，这是20世纪70年代以前计量经济学的主导方法。
然而，这种方法所构建的计量经济模型在20世纪70年代出现石油危机后引起的经济动荡面前却失灵了。
这里的失灵不是指这些模型没能预见石油危机的出现，而是指这些模型无法预计石油危机的振荡对许多基本经济变量的动态影响。
因此引起了计量经济学界对经典计量经济学方法论的反思，并将研究的注意力转向宏观经济变量非平稳性对建模的影响。
人们发现，由于经济分析中所涉及的经济变量数据基本上是时间序列数据，而大多数经济时间序列是非平稳的，如果直接将非平稳时间序列当作平稳时间序列进行回归分析，则可能会带来不良后果，如伪回归问题。
所谓“伪回归”，是指变量间本来不存在有意义的关系，但回归结果却得出存在有意义关系的错误结论。
经济学家早就发现经济变量之间可能会存在伪回归现象，但在什么条件下会产生伪回归现象，长期以来无统一认识。
直到20世纪70年代，Grange、Newbold研究发现，造成“伪回归”的根本原因在于时间序列变量的非平稳性。
他们用Monte Carlo模拟方法研究表明，如果用传统回归分析方法对彼此不相关联的非平稳变量进行回归，t检验值和F检验值往往会倾向于显著，从而得出“变量相依”的“伪回归结果”。