第五章 时间序列模型 关于标准回归技术及其预测和检验我们已经在前面的章节讨论过了，本章着重于时间序列模型的估计和定义，这些分析均是基于单方程回归方法，第 9 章我们还会讨论时间序列的向量自回归模型。 这一部分属于动态计量经济学的范畴。通常是运用时间序列的过去值、当期值及滞后扰动项的加权和建立模型，来“解释”时间序列的变化规律。 1 在时间序列模型的发展过程中，一个重要的特征是对统计均衡关系做某种形式的假设，其中一种非常特殊的假设就是平稳性的假设。通常一个平稳时间序列能够有效地用其均值、方差和自相关函数加以描述。本章首先通过讨论回归方程扰动项通常会存在的序列相关性问题，介绍如何应用时间序列数据的建模方法，修正扰动项序列的自相关性。进一步讨论时间序列的自回归移动平均模型（ ARMA 模型），并且讨论它们的具体形式、估计及识别方法。 2 由于传统的时间序列模型只能描述平稳时间序列的变化规律，而大多数经济时间序列都是非平稳的，因此，由 20 世纪 80 年代初 Granger 提出的协整概念，引发了非平稳时间序列建模从理论到实践的飞速发展。本章还介绍了非平稳时间序列的单位根检验方法、 ARIMA 模型的建模方法、协整理论的基本思想及误差修正模型。 3§5.1 序列相关及其检验 第 3 章在对扰动项 ut 的一系列假设下，讨论了古典线性回归模型的估计、检验及预测问题。如果线性回归方程的扰动项 ut 满足古典回归假设，使用 OLS 所得到的估计量是线性无偏最优的。 但是如果扰动项 ut 不满足古典回归假设，回归方程的估计结果会发生怎样的变化呢？理论与实践均证明，扰动项 ut 关于任何一条古典回归假设的违背，都将导致回归方程的估计结果不再具有上述的良好性质。因此，必须建立相关的理论，解决扰动项不满足古典回归假设所带来的模型估计问题。 4§5.1.1 序列相关及其产生的后果 对于线性回归模型 (5.1.1) 随机扰动项之间不相关，即无序列相关的基本假设为 (5.1.2) 如果扰动项序列 ut 表现为： (5.1.3)即对于不同的样本点，随机扰动项之间不再是完全相互独立的，而 是 存 在 某 种 相 关 性 ， 则 认 为 出 现 了 序 列 相 关 性 (serial correlation) 。 tktktttuxxxy22110Ttsuustt,,2,1,00),cov(Ttsuustt,,2,1,00),cov(5 由于通常假设随机扰动项都服从均值为 0 ，同方差的正态分布，则...
