文档介绍：第六讲时间序列模型初步
时间序列模型的例子
有限样本条件下的普通最小二乘估计
大样本条件下的普通最小二乘估计
时间序列的平稳性检验
时间序列模型的例子
计量经济学中的数据类型
时间序列数据(time series data)
横截面数据(cross-sectional data)
混合数据(pooled data)
平面板数据/综列数据(panel data)
一个时间序列数据可以视为它所对应的随机变量或随机过程(stochastic process)的一个实现(realization)
时间序列模型的例子
时间序列数据
时间序列模型的例子
两类时间序列模型
静态模型(Static model)
有限分布滞后模型(finite distributed lag model)
有限样本条件下的普通最小二乘估计
经典线性正态假定
有限样本条件下的普通最小二乘估计
经典线性正态假定:进一步的说明
与横截面模型的假定相比,时间序列模型放宽了关于解释变量不是随机变量的假定
同期外生与严格外生
严格外生意味着误差项与任何时刻的解释变量都不相关,也就是说,解释变量对被解释变量没有滞后影响,而且被解释变量也对解释变量没有滞后影响
有限样本条件下的普通最小二乘估计
经典线性正态假定下的普通最小二乘估计
如果满足假定1-3,回归系数的OLS估计量是无偏的
如果满足假定1-5,回归系数OLS估计量的方差估计是无偏的,而且OLS估计量是最优线性无偏估计量
如果满足假定1-6,模型的t检验和F检验是有效的
在大多数情况下,时间序列很难满足经典线性正态模型假定,特别是误差项条件均值为0、无序列相关以及正态性的假定。因此,就需要用大样本来做渐进处理
大样本条件下的普通最小二乘估计
平稳过程
平稳随机过程(stationary stochastic process)
平稳性用于描述时间序列的跨时期稳定性,即序列的行为不随时间发生变化
上述定义也被称为严格平稳