主要内容

时间序列回归模型

时间序列回归模型试图解释当前响应使用响应历史(自回归动态)和相关的动态转移预测(或其他)。理论框架的潜在变量之间的关系通常允许不同的表征系统。

使用时间序列回归模型来分析时间序列数据,这是你需要在连续时间点的测量。例如,使用时间序列回归建模:

  • 检查的线性影响当前和过去的失业率和过去的通货膨胀率在目前的通货膨胀率。

  • 预测GDP增长速度通过ARIMA模型,包括CPI增长预测。

  • 确定单位增加降雨,肥料,和劳动影响作物产量。

您可以启动一个时间序列分析,通过建立设计矩阵(Xt),它可以包括预测的当前和过去的观测。你也可以补充回归组件与一个自回归(AR)组件占响应(的可能性yt)动态。例如,包括过去的通货膨胀率测量回归组件来解释当前的通货膨胀率。基于“增大化现实”技术方面占由回归组件动力学解释,一定遗漏在计量经济学应用程序。同时,基于“增大化现实”技术方面吸收剩余的自我,通常简化创新模型,改善预测性能。然后,运用普通最小二乘法(OLS)多元线性回归(高)模型:

y t = X t β + u t 。

如果残留分析显示经典线性模型假设离职等异方差性、自相关(即。nonspherical错误),那么:

  • 你可以估计健壮HAC(异方差性和自相关一致的)标准错误(详情,请参阅hac)。

  • 如果你知道创新协方差矩阵(至少一个比例因子),然后你就可以申请广义最小二乘(gl)。鉴于创新协方差矩阵是正确的,gl有效地减少了问题的线性回归残差的协方差我。

  • 如果你不知道协方差矩阵的结构创新,但知道异方差和自相关的性质,然后您可以应用可行的广义最小二乘(备受)。备受应用gl迭代,但使用估计的残差的协方差矩阵。备受估计在一定条件下是有效的。有关详细信息,请参见[1],第11章。

有时间序列模型,模型显式动力学比高的模型。这些模型可以占AR和预测效果与高模型,但额外的好处:

  • 占滑动平均(MA)的影响。包括马方面减少数量的基于“增大化现实”技术的滞后,有效地减少了所需要的观测数初始化模型。

  • 很容易建模季节性影响。为了MLR模型季节性影响,即模型中,你必须建立一个设计指标矩阵。

  • 季节性和季节性建模集成单位根的非平稳过程。

这些模型也不同于高钙依赖(即分布假设。,他们用最大似然估计)。受欢迎的类型的时间序列回归模型包括:

  • 自回归整合移动平均与外生预测(ARIMAX)。这是一个线性的ARIMA模型包括预测(外生或其他)。有关详细信息,请参见华宇电脑或ARIMAX (p D q)模型。

  • 回归模型与ARIMA时间序列错误。这是一个高模型的无条件的扰动过程(ut)是一个ARIMA时间序列。换句话说,你显式模型ut作为一个线性时间序列。有关详细信息,请参见regARIMA。

  • 分布滞后模型(DLM)。这是一个高模型,包括预测因素的影响,长期保留。换句话说,回归组件包含系数同生和滞后值的预测。计量经济学工具箱™不包含dlm显式的函数模型,但您可以使用regARIMA或fitlm用一个适当的构造(设计)矩阵分析了DLM预测指标。

  • 传递函数自回归分布滞后模型。这个扩展分布滞后模型框架,它包括自回归条件(滞后反应)。计量经济学工具箱不包含dlm显式的函数模型,但您可以使用华宇电脑功能与一个适当构造预测矩阵来分析一个自回归DLM。

您在使用哪个模型所做的选择,取决于你的目标分析,和的属性数据。

引用

[1]格林,w . H。计量经济学分析。6日。恩格尔伍德悬崖,新泽西:普伦蒂斯霍尔,2008年。

另请参阅

|||

相关的话题