1、当当代代计计量量经经济济模模型型体体系系 单位根检验单位根检验 按序列性质划分按序列性质划分：非季节序列、季节非季节序列、季节 序列、面板数据。序列、面板数据。按检验方法划分：按检验方法划分：DF、ADF、PP、GLS-DF、KPSS、HEGY 等等 30 余余种种。按单位根个数划分按单位根个数划分：单根检验，双根检单根检验，双根检 验，多根检验。验，多根检验。季节序列、面板。季节序列、面板。按估计方法划分按估计方法划分：OLS 法、拟法、拟 GLS 法、法、GLS 法、法、LM 法法等等。按检验统计量性质按检验统计量性质 划分划分：参数的、非参数的。参数的、非参数的。按研究方法划分按研究方法
2、划分：蒙特卡罗模拟、数值蒙特卡罗模拟、数值 计算、极限分布推导计算、极限分布推导 按序列类型划分按序列类型划分：随机游走、随机趋势、随机游走、随机趋势、退势平稳、趋势非平稳。退势平稳、趋势非平稳。按序列结构划分：按序列结构划分：无突变、均值突变、无突变、均值突变、趋势突变、双突变。趋势突变、双突变。T=100，ut IID(0,1)模拟模拟10000次次 单位根检验示意图单位根检验示意图DF、ADF检验属左单端检验。检验属左单端检验。依据序列图，先用确定性项多的检验式，少的次之，无确定性项的再次之。依据序列图，先用确定性项多的检验式，少的次之，无确定性项的再次之。-6-4-202460.050
3、.10.150.2案例：案例：421天的深证成指序列的单位根检验天的深证成指序列的单位根检验35040045050055060065070050100150200250300350400SZINDEX案例：案例：421天的深证成指序列的单位根检验天的深证成指序列的单位根检验案例：案例：421天的深证成指序列的单位根检验天的深证成指序列的单位根检验二结构突变序列的单位根检验二结构突变序列的单位根检验-.2-.1.0.1.256789199119921993199419951996ResidualActualFitted（1）非线性模型）非线性模型（2）线性模型）线性模型 多序列模型（向量时间序列
4、模型）多序列模型（向量时间序列模型）单序列模型单序列模型 时间序列的季节调整时间序列的季节调整 时间序列的加法模型和乘法模型时间序列的加法模型和乘法模型 时间序列的时间序列的Box建模建模（ARIMA、SARIMA模型模型）2时间序列模型时间序列模型时间序列模型时间序列模型 建立建立ARIMA、SARIMA模型流程图模型流程图 1 识别识别 用相关图和偏相关图用相关图和偏相关图识别模型形式（确定参数识别模型形式（确定参数 d,p,q）2 估计估计 对初步选取的模型进行参数估计对初步选取的模型进行参数估计 3 诊断与检验诊断与检验 包括参数的显著性检验和残差的随机性检验包括参数的显著性检验和残差
5、的随机性检验 模型可取吗模型可取吗 止止 不可取不可取 可取可取 02004006008001000787980818283848586878889Y4.55.05.56.06.57.0787980818283848586878889LNY 月度数据（月度数据（y yt t，单位：亿元）曲线图，单位：亿元）曲线图 对数的月度数据（对数的月度数据（LnyLnyt t）曲线图）曲线图 12 Lnyt的相关图（下）和偏相关图（上）的相关图（下）和偏相关图（上）(1+0.5924 L)(1+0.4093 L12)12Lnyt=(1+0.4734 L)vt (4.5)(5.4)(2.9)R =0.33,
6、s.e.=0.146,Q 36=15.5,0.05(36-2-1)=4422 SARIMA(1,1,1)(1,1,0)12模型的代数表达：模型的代数表达：D12DLnyt的实际与预测序列的实际与预测序列 yt的实际与预测序列的实际与预测序列-.2-.1.0.1.2787980818283848586878889DSDLNYDSDLNYF100200300400500600700800900787980818283848586878889YYF 中国城镇人口政策中国城镇人口政策对城镇人口数序列的冲击对城镇人口数序列的冲击（1949 2005）010000200003000040000500006
7、0000505560657075808590950005Y-1200-800-40004008001200160020002400505560657075808590950005D(Y)yt=232.43+707.40D1+1758.21D2+1.03AR(1)-0.33AR(2)+vt-0.99 vt-1 (10.6)(12.6)(30.6)(7.3)(-2.51)(-13.2)R2=0.81,Q15=7.7,20.05(9)=16.9常见的非线性时间序列模型常见的非线性时间序列模型-5-4-3-2-10123450100150200250300350400TAR1 (threshold=0
8、)案例：案例：2005年年8月月30 2007年年4月月30日日407天人民币元兑美元序列的门限模型天人民币元兑美元序列的门限模型 X-12-ARIMA季节调整方法季节调整方法 中国月度商业零售额中国月度商业零售额（sales,1993:1 2004:11）X-12-ARIMA季节调整序列季节调整序列 0100020003000400050006000939495969798990001020304SALES010002000300040005000939495969798990001020304SALES_SA乘法模型：乘法模型：Y=T S C I 加拿大月人口出生数（加拿大月人口出生数（y
9、,1973:1 1983:12）趋势循环分量（趋势循环分量（TC）季节分量（季节分量（S）不规则分量（不规则分量（IR）2600027000280002900030000310003200033000340007374757677787980818283Y280002900030000310007374757677787980818283MA12NN0.880.920.961.001.041.087374757677787980818283SF0.920.940.960.981.001.021.041.067374757677787980818283IRREGUF序列的特征是序列的特征是“波动
10、集群波动集群”、分布是、分布是“高峰厚尾高峰厚尾”-8-6-4-20246200400600800100012001400D(JPY)(1995-2000)日元兑美元汇率差分序列（收益）日元兑美元汇率差分序列（收益）D(JPY)高峰厚尾分布特征示意图高峰厚尾分布特征示意图 高峰厚尾高峰厚尾分布曲线分布曲线 正态正态分布曲线分布曲线 ARCH，GARCH模型可以预测被解释变量的方差。对于金融时间模型可以预测被解释变量的方差。对于金融时间序列预测的是风险。序列预测的是风险。建立建立ARCH，GARCH模型可以提高均值方程参数估计的有效性。模型可以提高均值方程参数估计的有效性。案例：日元兑美元汇率的
11、建模研究案例：日元兑美元汇率的建模研究 1995.1-2000.8日元兑美元汇率值（日元兑美元汇率值（1427个）序列（个）序列（JPY）见图。极小值）见图。极小值为为81.12日元，极大值为日元，极大值为147.14日元。其均值为日元。其均值为112.93日元，标准差是日元，标准差是13.3日元。日元。1995年年4月曾一度达到月曾一度达到81.12日元兑日元兑1美元。美元。JPY的差分序列的差分序列D(JPY)表示收益。用表示收益。用D(JPY)建立时间序列模型。建立时间序列模型。80100120140160200400600800100012001400JPY(1995-2000)-8-
12、6-4-20246200400600800100012001400D(JPY)(1995-2000)日元兑美元汇率（日元兑美元汇率（JPY）时间序列）时间序列 DJPY时间序列时间序列均值方程的估计式均值方程的估计式ARCH 模型的选择模型的选择ARCH 模型的选择模型的选择ARCH 模型的选择模型的选择随机波动模型随机波动模型 ACD和和SCD模型模型 向量自回归向量自回归模型模型 VAR 的平稳性分析的平稳性分析 VAR 的的 协积检验协积检验 VAR 的的 脉冲响应分析脉冲响应分析 VAR 的估计与预测的估计与预测 VAR 的的 方差分解方差分解 Granger 非因果性检验非因果性检验
13、 VAR 模型的滞后期选择模型的滞后期选择 向量误差修正模型向量误差修正模型（VEC 模型模型）向量自回归（向量自回归（VAR）模型定义）模型定义案例案例1：上海证券交易所上证指数和股票交易上海证券交易所上证指数和股票交易 总成交量关系研究总成交量关系研究（file:2120061741-shan）上海证券交易所上证指数和股票交易总成交量序列图上海证券交易所上证指数和股票交易总成交量序列图7.27.47.67.88.08.28.43.03.54.04.55.05.5255075100125150175200225LOG(SHP)LOG(SHQ)VAR的预测非常准确的预测非常准确6期期VAR的预
14、测结果的预测结果1,5002,0002,5003,0003,5004,0004,500255075100125150175200225SHPSHP(Baseline)04080120160200240255075100125150175200225SHQSHQ(Baseline)-1.5-1.0-0.50.00.51.01.5-1.5-1.0-0.50.00.51.01.5Inverse Roots of AR Characteristic Polynomial-1.5-1.0-0.50.00.51.01.5-1.5-1.0-0.50.00.51.01.5Inverse Roots of AR
15、 Characteristic Polynomial 2期期VAR的特征根的特征根 6期期VAR的特征根的特征根VAR模型稳定的一种判别条件是，特征方程模型稳定的一种判别条件是，特征方程|1-I|=0的根都必须在单位圆以内。的根都必须在单位圆以内。检验结果如下：检验结果如下：（当概率小于（当概率小于0.05时，表示推翻原假设）时，表示推翻原假设）其中滞后其中滞后2020期的输出结果期的输出结果:DLOG(SHP)和和 DLOG(SHQ)VAR(3)的脉冲相应的脉冲相应-.005.000.005.010.015.02012345678910DLOG(SHP)DLOG(SHQ)Response o
16、f DLOG(SHP)to CholeskyOne S.D.Innovations-.05.00.05.10.1512345678910DLOG(SHP)DLOG(SHQ)Response of DLOG(SHQ)to CholeskyOne S.D.InnovationsDLOG(SHP)和和 DLOG(SHQ)VAR(3)的方差分解的方差分解02040608010012345678910DLOG(SHP)DLOG(SHQ)Variance Decomposition of DLOG(SHP)02040608010012345678910DLOG(SHP)DLOG(SHQ)Variance
17、Decomposition of DLOG(SHQ)VAR的协积检验的协积检验向量误差修正模型向量误差修正模型（VEC模型模型）VAR(2)基础上的基础上的VEC模型模型 注注:随着市场经济体制的深化和完善，这种模型的用途将越来越广泛。随着市场经济体制的深化和完善，这种模型的用途将越来越广泛。-4-202400.20.40.60.8105101520253000.20.40.60.81 Logit模型、模型、Probit模型模型案例：天津市农户劳动力的非农业就业模型（案例：天津市农户劳动力的非农业就业模型（750户）。户）。教育程度教育程度对劳动力的非农业就业倾向有着非常明显的作用对劳动力的非
18、农业就业倾向有着非常明显的作用Logit 模型估计值与拟合值散点图模型估计值与拟合值散点图 Logit 模型估计值与潜在变量散点图模型估计值与潜在变量散点图0.00.20.40.60.81.0-0.20.00.20.40.60.81.01.21.41.61.8YHATYF0.00.20.40.60.81.0-4-2024681012YFLATENTYFER-POLI1：选择浮动汇率制度：选择浮动汇率制度ER-POLI2：有管理的浮动汇率制度：有管理的浮动汇率制度ER-POLI3：中间汇率制度：中间汇率制度ER-POLI4：传统钉住汇率制度：传统钉住汇率制度ER-POLI5：超级固定汇率制度：超
19、级固定汇率制度案例：汇率制度选择问题研究（有序选择（有序选择probit模型）模型）解释变量：解释变量：lngdp：对数的经济规模（：对数的经济规模（gdp：10亿美元）亿美元）doll：货币流动性（：货币流动性（%）capo：实际资本开放程度（：实际资本开放程度（%）mv5cpi：历史通货膨胀情况（：历史通货膨胀情况（%）liec：选举竞争力立法指数：选举竞争力立法指数2001年年62个国家的样本。个国家的样本。左侧第一条竖线对应的是土耳其，由图左侧第一条竖线对应的是土耳其，由图可知该国可知该国选择浮动汇率制度的概率最大；选择浮动汇率制度的概率最大；第二条竖线对应的是巴拉圭，其对应第二条竖线
20、对应的是巴拉圭，其对应第第三种汇率制度（三种汇率制度（中间汇率制度中间汇率制度）的概率）的概率最大最大；第三条竖线对应的是葡萄牙，因；第三条竖线对应的是葡萄牙，因为其对应的第为其对应的第5 5个概率值最大，所以它个概率值最大，所以它选择超级固定汇率制度选择超级固定汇率制度。0.00.20.40.60.81.02.42.83.23.64.04.44.85.2INTENTER-POLI1ER-POLI2ER-POLI3ER-POLI4ER-POLI5 面板数据示意图面板数据示意图 面板数据散点图面板数据散点图010002000300040005000040008000120001600020000
21、INCOMEFOOD 混合回归模型（混合回归模型（Pooled model）如果一个面板数据模型定义为如果一个面板数据模型定义为，yit=+Xit +it,i=1,2,N;t=1,2,T 其中其中yit为被回归变量（标量），为被回归变量（标量），表示截距项，表示截距项，Xit为为k 1阶回阶回归变量列向量（包括归变量列向量（包括k个回归量），个回归量），为为k 1阶回归系数列向阶回归系数列向量，量，it为误差项（标量）。则称此模型为混合回归模型。混为误差项（标量）。则称此模型为混合回归模型。混合回归模型的特点是无论对任何个体和截面，回归系数合回归模型的特点是无论对任何个体和截面，回归系数 和和
22、 都相同。都相同。个体固定效应回归模型（个体固定效应回归模型（entity fixed effects model）如果一个面板数据模型定义为，如果一个面板数据模型定义为，yit=i+Xit +it,i=1,2,N;t=1,2,T 其中其中 i是随机变量，表示对于是随机变量，表示对于i个个体有个个体有i个不同的个不同的截距项，且其变化与截距项，且其变化与Xit有关系；有关系；yit为被回归变量为被回归变量（标量），（标量），it为误差项（标量），为误差项（标量），Xit为为k 1阶回阶回归变量列向量（包括归变量列向量（包括k个回归量），个回归量），为为k 1阶回阶回归系数列向量，对于不同个体回
23、归系数相同，则归系数列向量，对于不同个体回归系数相同，则称此模型为个体固定效应回归模型。称此模型为个体固定效应回归模型。个体随机效应回归模型（个体随机效应回归模型（entity random effects model）对于面板数据模型对于面板数据模型 yit=i+Xit +it,i=1,2,N;t=1,2,T 如果如果 i为随机变量，其分布与为随机变量，其分布与Xit无关；无关；yit为被回归变为被回归变量（标量），量（标量），it为误差项（标量），为误差项（标量），Xit为为k 1阶回阶回归变量列向量（包括归变量列向量（包括k个回归量），个回归量），为为k 1阶回归阶回归系数列向量，对于不
24、同个体回归系数相同，这种模系数列向量，对于不同个体回归系数相同，这种模型称为个体随机效应回归模型（随机截距模型、随型称为个体随机效应回归模型（随机截距模型、随机分量模型）。机分量模型）。面板数据模型估计方法面板数据模型估计方法 混合最小二乘混合最小二乘（Pooled OLS）估计估计 （适用于混合模型）（适用于混合模型）平均数平均数（between）OLS估计估计 （适用于混合模型和个体随机效应模型）（适用于混合模型和个体随机效应模型）离差变换离差变换（within）OLS估计估计 （适用于个体固定效应回归模型）（适用于个体固定效应回归模型）一阶差分一阶差分（first difference）
25、OLS估计估计 （适用于个体固定效应模型）（适用于个体固定效应模型）可行可行GLS（feasible GLS）估计估计 （适用于随机效应模型）（适用于随机效应模型）面板数据模型的检验方法面板数据模型的检验方法 F 检验检验H0：i=。模型中不同个体的截距相同。模型中不同个体的截距相同 （真实模型为混合回归模型）。（真实模型为混合回归模型）。H1：模型中不同个体的截距项：模型中不同个体的截距项 i不同不同 （真实模型为个体固定效应回归模型）。（真实模型为个体固定效应回归模型）。F 统计量定义为：统计量定义为：F=F(m,T k)F 临界值，推翻原假设，临界值，推翻原假设，F 临界值，建立个体固定
26、效应；临界值，建立个体固定效应；H 临界值，建立个体随机效应回归模型。临界值，建立个体随机效应回归模型。面板数据模型的检验方法面板数据模型的检验方法 010002000300040005000040008000120001600020000INCOMEFOOD1985 2005年（年（21年）全国年）全国28个省级地区（不包括西藏、新疆和重个省级地区（不包括西藏、新疆和重庆市）城镇居民人均食品支出与收入庆市）城镇居民人均食品支出与收入588组观测值散点图组观测值散点图案例：全国城镇居民人均食品支出与收入面板数据研究案例：全国城镇居民人均食品支出与收入面板数据研究 案例：全国城镇居民人均食品支出
27、与收入面板数据研究案例：全国城镇居民人均食品支出与收入面板数据研究 倒数函数拟合倒数函数拟合 2次多项式函数拟合次多项式函数拟合log(Food)对对log(income)散点图散点图 log(Food)对对log(log(income)散点图散点图用用个体固定效应回归模型个体固定效应回归模型的估计结果如下：的估计结果如下：logfood=-5.5151+6.0645 log(logincome)（-90.1）（206.3）R2=0.989，DW=0.43，N T=28 21=588案例：全国城镇居民人均食品支出与收入面板数据研究案例：全国城镇居民人均食品支出与收入面板数据研究 F F 检验结
28、果检验结果显示混合模型与个体固定效应模型相比较，显示混合模型与个体固定效应模型相比较，应该建立个体固定效应模型应该建立个体固定效应模型。案例：全国城镇居民人均食品支出与收入面板数据研究案例：全国城镇居民人均食品支出与收入面板数据研究 Hausman 检验结果检验结果显示个体随机效应模型与个体固定效应模型相比较，显示个体随机效应模型与个体固定效应模型相比较，应该建立个体固定效应模型应该建立个体固定效应模型。05001000150020002500300086889092949698000204FOODANHFOODANHF0100020003000400050008688909294969800
29、0204FOODBEJFOODBEJF 安徽省城镇人均食品支出的样本内静态预测结果安徽省城镇人均食品支出的样本内静态预测结果 北京市人均食品支出的样本内静态预测结果北京市人均食品支出的样本内静态预测结果案例：全国城镇居民人均食品支出与案例：全国城镇居民人均食品支出与 收入面板数据研究收入面板数据研究 面板数据的单位根检验（相同根情形）面板数据的单位根检验（相同根情形）1Quah检验（检验（1990）2LL（Levin-Lin）检验（）检验（1992）3LLC（Levin-Lin-Chu）检验（）检验（2002）4Breitung检验（检验（2002）5Hadri检验检验6Abuaf-Jorio
30、n检验（检验（1990），），Jorion-Sweeney检验（检验（1996）7Bai-Ng检验（检验（2001），），Moon-Perron检验（检验（2002）8IPS（Im-Pesaran-Shin）检验（）检验（1997,2002）面板数据的单位根检验（不同根情形）面板数据的单位根检验（不同根情形）9MW（Maddala-Wu）检验（）检验（1997）10崔仁（崔仁（In Choi）检验（）检验（2001）11Vanessa（Vanessa et al.）检验（）检验（2004）12Taylor-Sarno检验（检验（1998）面板数据的协积（协整）检验面板数据的协积（协整）检验Pe
31、droni 协积检验：协积检验：以以Engle-Granger协积检验方法为基础构造检验统协积检验方法为基础构造检验统计量，标准化以后渐近服从标准正态分布。（计量，标准化以后渐近服从标准正态分布。（1999,2004）Kao协积检验：协积检验：以以Engle-Granger协积检验方法为基础构造检验统计量，协积检验方法为基础构造检验统计量，标准化以后渐近服从标准正态分布。（标准化以后渐近服从标准正态分布。（1999）Fisher 个体联合协积检验个体联合协积检验（combined individual test）：用个体的协积）：用个体的协积检验值构造一个服从检验值构造一个服从 2分布的累加统计量检验面板数据的协积性。分布的累加统计量检验面板数据的协积性。(Maddala and Wu 1999)谢谢谢谢.
