时间序列回归模型尝试使用响应历史(自回归动力学)和相关预测(或其他)的动力学转移来解释当前的响应。变量之间潜在关系的理论框架通常允许系统的不同表示。
使用时间序列回归模型进行分析时间序列数据,这是你在连续的时间点进行的测量。例如,使用时间序列回归建模:
检查当前和过去失业率以及过去通货膨胀率对当前通货膨胀率的线性影响。
使用ARIMA模型预测GDP增长率,并将CPI增长率作为预测指标。
确定单位降雨量、化肥用量和劳动力的增加如何影响作物产量。
你可以通过建立一个设计矩阵(Xt),包括当前和过去对预测因子的观察。您还可以使用自回归(AR)组件对回归组件进行补充,以考虑响应的可能性(yt)动力学。例如,在回归成分中包括过去的通胀率测量值,以解释当前的通胀率。AR术语解释了回归成分无法解释的动力学,这在计量经济学应用中必然未得到明确规定。此外,AR术语吸收了剩余自相关,简化了创新模型s、 然后,将普通最小二乘法(OLS)应用于多元线性回归(MLR)模型:
如果残差分析表明经典线性模型假设偏离,如异方差或自相关(即非球面误差),则:
有时间序列模型比MLR模型更明确地模拟了动态。与MLR模型一样,这些模型可以解释AR和预测效果,但有额外的好处:
考虑移动平均(MA)效应。包括MA项以减少AR滞后的数量,有效减少初始化模型所需的观测数量。
很容易模拟季节效应。为了用MLR模型模拟季节效应,你必须建立一个指标设计矩阵。
单位根非平稳过程的非季节和季节积分建模。
这些模型还不同于MLR,因为它们依赖于分布假设(即,它们使用最大似然估计)。流行的时间序列回归模型类型包括:
外生自回归综合移动平均线预测因子(ARIMAX)。这是一个ARIMA模型,线性地包含预测因子(外生或其他)。有关详细信息,请参阅华宇电脑
或ARIMAX(p,D,q)模型.
具有ARIMA时间序列误差的回归模型.这是一个MLR模型,其中无条件干扰过程(ut)是一个ARIMA时间序列。换句话说,您可以显式地建模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MLR模型,其中包括持续存在的预测因素的影响。换句话说,回归分量包含了预测的同期值和滞后值的系数。Econometrics Toolbox™不包含显式建模DLMs的函数,但您可以使用它regARIMA
或fitlm
使用适当构造的预测器(设计)矩阵来分析DLM。
传递函数(自回归分布滞后)模型。这个模型扩展了分布滞后框架,因为它包括自回归术语(滞后反应)。Econometrics Toolbox不包含显式建模DLMs的函数,但是您可以使用华宇电脑
使用适当构造的预测器矩阵来分析自回归的DLM。
使用哪个模型取决于分析的目标和数据的属性。
[1] 格林,W.H。计量经济学分析.6版。恩格尔伍德悬崖,NJ: Prentice Hall, 2008。