1。7;I
■李 军 孙彦彬
一
、平稳随机过程
任何时间序列数据都可看成由一个
随机过程产生的结果 即随机过程的一
个(特殊的)实现,电就是一个样本 如果
一 个随机过程的均值和方差在时间过程
上都是常数,并且在任何两时斯之间的
协方差值仅依赖于该两时期间的距离或
滞后,而不依赖于计算这个 方差的实
际时间.就称它是平稳的:简言之.如果
一 个时同序列是平稳的,就不管在什么
时间测量.它的均值、方差和(各种滞后
的)协方差都保持不变。这一表述用数学
模型可表示为,平稳随机时间序列 具
有下列性质:
均值: E(YJ=lz (1)
方差:vm(YJ=Eif,- = (2)
协方差: :E .一v-)(Y 一 I=7 (3)
二、平稳性的自相关函数检验
平稳性可以通过自相关荫数 (简记
为 ACF)来加 检验,滞后 k期的ACF
记作 并定义为:
鲁 (4)
其中 为方差, 为滞后 k期的
方差。由于方差与 方差具有相同的单
位度量,故自相关函数 pk是一个无量纲
的量(纯数),它同任何相关系数一样,取
值落在一1与+l之间。
由于宴际上对一个随机过程只有一
个实现(样本),我们只能计算样本自相
关函数 为了计算 必须先计算滞后
基金项目:广东店教育斤自然科学基金资助项目(Z02063)
k期的样本协方差 和样本方差 二者
的定义分别为:
—
X(Y,-Y-)
—
ff.~-7) (5)
—
Y_,0c",
—
- 7-y (6)
其中13是样本音量, 是样本均值。
因此,滞后 k期的样本自相关函数可表
示为 :
f7)
假如根据 198(1至 2001年间我国
GDP时间序列的季度数据。利用(5)、(6)
和(7)可以得到如表 1所示的各种滞后
: 崆 L (1 6]
∑a;)exp{giy 1
其中 为关于行列和信息的拉格
朗日因子
事实上,GJR提供的目标函数并不
是一个单一的交叉墒.而是列交叉熵的
和,因为:
CE:∑cE=∑【∑ )】
I i i
其中CEj为第J列的初始估计与最
终估计的交叉熵.也就是说上述规划同
题就是一个摄小交叉熵和的问题=因此
Robert A.McDougM1(1999)称此模型为
MSCE inimum gllm of erom-entropy)
model。
三、RAS与CE的联系
如果假设列系数阵A是由交易阵T
这样形成的:
a =— (1 7)
∑
即列系数阵的构成元素是以相对于
交易价值流的总和来衡量,则MSCE模
型的目标函数就变成了一个单一交叉熵
的形式 :
CE 军 【 哩(
其中,砘|._— ~。
∑
此时SAM的平衡就是解决以下优化
问题:
Min CE=∑∑a ‘lo 虹)
J
slt-∑t .∑ ‘ (18}
i J
定义拉格朗日函数:
L:∑∑a4"log( )+∑ (∑ ’一
i ‘ J
)+∑“(∑ ‘一}) (I 9)
一 阶条件为:
l g( 一1一 一¨
即 :
a~'=acexp{一1一 .一 } {2o)
这就是 RAS方法解的结构,式(20)
经过调整可以写成双边比例运算的函数
形式:
即 RAS方法的典型形式,也就是说
RAs方法是一个最小交叉墒方法
虽然有些学者认为 RAS方法的误
18
统计与决第
差较大c罗伯勋 1987.安玉理 1995等),
而且 RAS方法有以下局限:(1)缺乏经济
基础,RAS方法使用双边等比例调整虽
然在缺乏经济结构有关信息的情况下避
免了植人不可检验的经济机制,但这种
调整缺乏经济理论基础;{2)不能容纳各
种来源的数据信息。也就是说无法增加
使用某些确定的信息来帮助我们的研
究。但CE方法并不是对 RAS方法的一
个超越和替代 因为通过 (14)、(20)--
式,我们可以发现,在假设拥有相同的行
列和信息的情况下,RAS方法得到的
SAM价值流更“近似”于初始卿值流,
尽量保持了价值流结构的一致性,而CE
方法得到的SAM新的列系数阵则更加
近似 于初始的系数阵,即尽量保持了
成本结构的一致性。当我们将行系数与
列系数视为同等重要,而将注意力放在
SAM的名义赢时,无疑 RAS方法是首
选。而当我们拥有各方面的信息来源并
且用于诸如乘数分析及估计 CGE模型
中的各种比例系数时,无疑CE方法是
首选=I乜就是说二者的使用选择取决于
研究者的侧重角度及面临的研究条件即
信息的充分性,.
(作者单位/婀台大学经管学院)
(责任鳙辑/浩 天J
挥
新
一 里~
■ {i
维普资讯 http://www.cqvip.com
表 1 样本自相关函数计算表
k ^ k ^ k ^ k ^pk pk pk
l 0.97 7 0.75 l3 O.53 l9 O_35
2 O.92 8 O.72 14 n5O 2O n32
3 O.9o 9 O.68 l5 n48 2l O.28
4 n87 1O O-65 16 0.45 22 n25
5 n85 ll O.60 l7 0.40 23 O.20
6 0.79 l2 n57 l8 n38 24 O.18
期的样本自相关函数 。表 1数据的一
个醒目特征就是它从一个很高(0.97)的
值开始,然后非常缓慢地下降,即使到了
滞后 l4期,自相关系数仍然是一个可观
的数值(0.5),这一模式象征着时间序列
的非平稳性。
由于 GDP时间序列的季度数据不
具有平稳性,因此,我们在确定性趋势错
误假设下所得到的回归 GDP,=13。+13lt+
,其价值是值得怀疑的。
三、平稳性的单位根检验
样本自相关函数虽然可以实现时间
序列平稳性的检验,但计算量比较大。如
果时间序列时刻t的模型值 YI等于时刻
卜1的模型值 Y...加上一个随机冲击
(Yl=YI-。+ ),那么我们同样也可以判断
该时间序列是随机时间序列 (非平稳时
间序列)。从这一事实出发,考虑如下模
型 :
Y,--pY 1+ (8)
如果(8)存在一个根 p=l,则我们说
随机变量 YI有一个单位根。因此,在时
间序列计量经济学中,一个有单位根的
时间序列即为非平稳的时间序列。
假设{ 是均值为 ,恒定方差为cr2
且是系列不相关的一个随机序列,序列
(YIl存在一个单位根,于是(8)可改写为:
Yl=Y l+ (9)
令Yo---o,于是有:Yl= l,Y2=I~l+Pa,
⋯
,YF∑ 。因此,一个非平稳的时间序
列,对应 E J-E(∑ =t ,var(Y,)=to~。这
刚好与平稳的定义相吻合,YI的均值和
方差均随时间的变化而变化,因此过程
是非平稳的。
由于 {Y 一Y 1= 是一个纯随机过
程,故(8)常用的另一种形式可表示为:
AY =Y,-Y卜l=(p一1)Y卜l+ILF8Y卜l+Ih
(10)
其中B=p一1,此时用来假设检验的
虚拟假设应该是 B--0。
如果一个非平稳时间序列的一阶差
分是平稳的,我们就说原始的序列是一
阶序列,记为d(1)。一个非平稳的时间序
列可以通过若干次差分转换为平稳的时
间序列,如果一个原始序列在变成平稳
之前必须经过n次差分,则称原始序列
为 n阶序列,记为 d(n)。为了检验一个时
间序列Yl(例如上述 GDP序列)
是否平稳,可做回归(10),看8是
否统计上等于0。这似乎很简单,
其实不然。麻烦就出在显著性是
通过 t函数加以检验的,而 t函数
的构造本身又是以平稳时间序列
为前提的。这也就是说,当时间序
列为非平稳时,惯常所计算的统计量t
根本不服从 t分布。如何解决这一问题
呢?在 B---0的虚拟假设下,我们把惯常所
计算的t统计量改造成为,r统计量,从
而利用Dickey和Fuller给出的T临界值
表,进行所谓的 DF检验。
DF检验的最简单形式,就是首先将
(1O)所估计的8除以其标准差,得到一个
,r统计量,然后再查 DF临界值表,看是
否可以拒绝虚拟假设 8=0。如果所计算
的,r统计量的绝对值超过DF临界值的
绝对值,就可以拒绝 B--O,进而接受时间
序列是平稳的;如果所计算的统计量的
绝对值小于 DF临界值的绝对值,则不
能拒绝 B---O,进而认为时间序列是非平
稳的。实践上常采用如下两种形式:
△YFBl+8Y卜l+Ih (11)
A Y,=J3l+B2t+8Y 1+ (12)
其中t是时间或趋势变量,两种形
式中虚拟假设都是 B=0,其差别在于是
否含有趋势项。
回到上述 GDP时间序列的季度数
据 ,根据 MICRO TSPT.0对应(11)的回
归给出如下结果:
△GDP,=32.9693-0.0025GDP,_l
t= (1.3304) (-o.3932)
R_2=0.0018 d=1.3520
对应(12)的回归给出如下结果:
AGDP,=183.9751+1.3949t-
t: (1.7877)(1.51 1 1)
0.0579GDE—l
(_1.5563)
R2=o.0286 d=1.3147
德宾(Durbin)一沃森(Watson)统计
量 d定义如下:
∑( 。)2
d=
∑
t= 2
(13)
统计量d的一大优点是,它仅依赖
估计的残差值。正因为这一优点,多数系
统均将 d和 R2一起报告 。Granger和
Newbold曾经提出一个 良好 的经 验规
则,即当R >d时,所估计的回归就有谬
误之嫌。
对于我们的目的,重要的GDP,_。是
1 9
统计与决策
2007年第4期(总第235囊 雾
变量的,r统计量,注意我们的虚拟假设
是 B--'0,也就是说有单位根 p=l。对应
(11)的回归结果,所计算的 ,r值是一
0.3932,而 1%、5%和 10%的 T统计量的
临界值分别为一3.5073,一2.8951,一2.5844。
由于计算的 T值在绝对值上小于 1%、
5%和 10%的临界值的绝对值,我们不拒
绝虚拟假设 B--O,即GDP时间序列是非
平稳的。
对应(12)的回归结果,所计算的 T
值是一1.5563,而 1%、5%和 10%的T统
计量的临界值分别为-4.06733,一3.4620,一
3.1570,同样我们不拒绝虚拟假设B---0,
即GDP时间序列是非平稳的。
现在我们来考虑这样一个问题,
GDP的一阶差分是否平稳。重复上面的
检验,只不过这次我们要检验△GDE=
(GDP,-GDP,一I)是否是平稳的,对应(1 1)的
回归给出如下结果:
△GDP,=15.5313-0.6748GDE_l
t:(3.4830)(-6.4956) R_2=0.3436
由于所计算的 f值是一6.4956,而
1%、5%和 10%的T统计量的临界值分
别为-3.5082,一2.8955,-2.5846,T的绝对
值超过了临界绝对值,因此可以拒绝虚
拟假设B---0,即GDP的一阶差分序列是
平稳的。
四、结束语
时间序列的平稳性检验是研究计量
经济学模型的基础,传统的t检验、F检
验等均以此假设作为依据。实际上大多
数经济时间序列是非平稳的,在一个非
正式的判别水准上,平稳性可以通过时
间序列各种滞后的自相关函数来加以检
验;在一个正式的判别水准上,平稳性可
以通过时间序列是否含有单位根来加以
检验。虽然从理论上讲,一个非平稳的时
间序列可以通过若干次差分转换为平稳
的时间序列;但大多数经济理论都是以
变量的原始取值而非差分形式给出的,
经过若干次差分也许会把变量的原始取
值所反映的有价值信息丢掉了。此外,尽
管两变量都是非平稳的,但这并不能排
除两变量的线性组合是平稳的可能性。
如果如此,两变量在原始取值上的回归
就是有意义的。总之,时间序列计量经济
学正处在不断地发展过程中,已建立的
一 些结果和检验在某些情形中仍是尝试
性的,还有许多问题需要做更深入地研
究。
(作者单位/五邑大学管理学院,
大庆石油学院)
(责任编辑/浩 天)
维普资讯 http://www.cqvip.com
本文档为【时间序列平稳性检验 单位根检验法】,请使用软件OFFICE或WPS软件打开。作品中的文字与图均可以修改和编辑,
图片更改请在作品中右键图片并更换,文字修改请直接点击文字进行修改,也可以新增和删除文档中的内容。
该文档来自用户分享,如有侵权行为请发邮件ishare@vip.sina.com联系网站客服,我们会及时删除。
[版权声明] 本站所有资料为用户分享产生,若发现您的权利被侵害,请联系客服邮件isharekefu@iask.cn,我们尽快处理。
本作品所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用。
网站提供的党政主题相关内容(国旗、国徽、党徽..)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。