平穩性檢驗的意義?

《碧血劍》的結局是怎樣的？

阿九出家，袁承志帶著青青他們遠走東瀛。

平穩性檢驗後可以確定協整關係嗎

單位根檢驗、協整檢驗和格蘭傑因果關係檢驗三者之間的關係 　　實證檢驗步驟：先做單位根檢驗，看變量序列是否平穩序列，若平穩，可構造迴歸模型等經典計量經濟學模型；若非平穩，進行差分，當進行到第i次差分時序列平穩，則服從i階單整（注意趨勢、截距不同情況選擇，根據P值和原假設判定）。若所有檢驗序列均服從同階單整，可構造VAR模型，做協整檢驗（注意滯後期的選擇），判斷模型內部變量間是否存在協整關係，即是否存在長期均衡關係。如果有，則可以構造VEC模型或者進行Granger因果檢驗，檢驗變量之間“誰引起誰變化”，即因果關係。一、討論一1、單位根檢驗是序列的平穩性檢驗，如果不檢驗序列的平穩性直接OLS容易導致偽迴歸。2、當檢驗的數據是平穩的（即不存在單位根），要想進一步考察變量的因果聯繫，可以採用格蘭傑因果檢驗，但要做格蘭傑檢驗的前提是數據必須是平穩的，否則不能做。3、當檢驗的數據是非平穩（即存在單位根），並且各個序列是同階單整（協整檢驗的前提），想進一步確定變量之間是否存在協整關係，可以進行協整檢驗，協整檢驗主要有EG兩步法和JJ檢驗A、EG兩步法是基於迴歸殘差的檢驗，可以通過建立OLS模型檢驗其殘差平穩性B、JJ檢驗是基於迴歸係數的檢驗，前提是建立VAR模型（即模型符合ADL模式）4、當變量之間存在協整關係時，可以建立ECM進一步考察短期關係，Eviews這裡還提供了一個Wald－Granger檢驗，但此時的格蘭傑已經不是因果關係檢驗，而是變量外生性檢驗，請注意識別 二、討論二1、格蘭傑檢驗只能用於平穩序列！這是格蘭傑檢驗的前提，而其因果關係並非我們通常理解的因與果的關係，而是說x的前期變化能有效地解釋y的變化，所以稱其為“格蘭傑原因”。2、非平穩序列很可能出現偽迴歸，協整的意義就是檢驗它們的迴歸方程所描述的因果關係是否是偽迴歸，即檢驗變量之間是否存在穩定的關係。所以，非平穩序列的因果關係檢驗就是協整檢驗。3、平穩性檢驗有3個作用：1）檢驗平穩性，若平穩，做格蘭傑檢驗，非平穩，作協正檢驗。2）協整檢驗中要用到每個序列的單整階數。3）判斷時間學列的數據生成過程。 三、討論三其實很多人存在誤解。有如下幾點，需要澄清：第一，格蘭傑因果檢驗是檢驗統計上的時間先後順序，並不表示而這真正存在因果關係，是否呈因果關係需要根據理論、經驗和模型來判定。第二，格蘭傑因果檢驗的變量應是平穩的，如果單位根檢驗發現兩個變量是不穩定的，那麼，不能直接進行格蘭傑因果檢驗，所以，很多人對不平穩的變量進行格蘭傑因果檢驗，這是錯誤的。第三，協整結果僅表示變量間存在長期均衡關係，那麼，到底是先做格蘭傑還是先做協整呢？因為變量不平穩才需要協整，所以，首先因對變量進行差分，平穩後，可以用差分項進行格蘭傑因果檢驗，來判定變量變化的先後時序，之後，進行協整，看變量是否存在長期均衡。第四，長期均衡並不意味著分析的結束，還應考慮短期波動，要做誤差修正檢驗。

加入世界貿易組織後，我們是貿易大國，但是如何成為貿易強國？

關鍵在於增加貿易中的附加價值（added value），產品不一攻要高端，但是在產品的總價值中所佔的比例一定要高。尋找到並保持自己的競爭優勢，就可以向貿易強國過渡。

Eviews時間序列平穩性檢驗

對序列Y進行平穩性檢驗：

此時應對序列數據取對數，取對數的好處在於可將間距很大的數據轉換為間距較小的數據。具體做法是在workfile y的窗口中點擊Genr，輸入logy=log(y),則生成y的對數序列logy。再對logy序列進行平穩性檢驗。

點擊view-United root test，test type選擇ADF檢驗，滯後階數中lag length選擇SIC檢驗，點擊ok得結果如下：

Null Hypothesis: LOGY has a unit root Exogenous: Constant

Lag Length: 0 (Automatic based on SIC, MAXLAG=1) t-Statistic Prob.* Augmented Dickey-Fuller test

statistic -2.75094601716637 0.0995139988900359 Test critical values: 1% level -4.29707275602226 5% level -3.21269639026225 10% level -2.74767611540013

當檢驗值Augmented Dickey-Fuller test statistic的絕對值大於臨界值絕對值時，序列為平穩序列。

若非平穩序列，則對logy取一階差分，再進行平穩性檢驗。直到出現平穩序列。假設Dlogy和DlogX1為平穩序列。

檢驗時間序列平穩性的方法有哪兩種

1、 時間序列 取自某一個隨機過程，如果此隨機過程的隨機特徵不隨時間變化，則我們稱過程是平穩的；假如該隨機過程的隨機特徵隨時間變化，則稱過程是非平穩的。 2、 寬平穩時間序列的定義：設時間序列 ，對於任意的 , 和 ，滿足： 則稱 寬平穩。 3、Box-Jenkins方法是一種理論較為完善的統計預測方法。他們的工作為實際工作者提供了對時間序列進行分析、預測，以及對ARMA模型識別、估計和診斷的系統方法。使ARMA模型的建立有了一套完整、正規、結構化的建模方法，並且具有統計上的完善性和牢固的理論基礎。 4、ARMA模型三種基本形式：自迴歸模型（AR：Auto-regressive），移動平均模型（MA：Moving-Average）和混合模型（ARMA：Auto-regressive Moving-Average）。 （1） 自迴歸模型AR(p)：如果時間序列 滿足 其中 是獨立同分布的隨機變量序列，且滿足： ， 則稱時間序列 服從p階自迴歸模型。或者記為 。 平穩條件：滯後算子多項式 的根均在單位圓外，即 的根大於1。 （2） 移動平均模型MA(q)：如果時間序列 滿足 則稱時間序列 服從q階移動平均模型。或者記為 。 平穩條件：任何條件下都平穩。 （3） ARMA(p,q)模型：如果時間序列 滿足 則稱時間序列 服從(p,q)階自迴歸移動平均模型。或者記為 。 特殊情況：q=0,模型即為AR(p)，p=0, 模型即為MA(q)。 二、時間序列的自相關分析 1、自相關分析法是進行時間序列分析的有效方法，它簡單易行、較為直觀，根據繪製的自相關分析圖和偏自相關分析圖，我們可以初步地識別平穩序列的模型類型和模型階數。利用自相關分析法可以測定時間序列的隨機性和平穩性，以及時間序列的季節性。 2、自相關函數的定義：滯後期為k的自協方差函數為： ，則 的自相關函數為： ，其中 。當序列平穩時，自相關函數可寫為： 。 3、 樣本自相關函數為： ，其中 ，它可以說明不同時期的數據之間的相關程度，其取值範圍在-1到1之間，值越接近於1，說明時間序列的自相關程度越高。 4、 樣本的偏自相關函數： 其中， 。 5、 時間序列的隨機性，是指時間序列各項之間沒有相關關係的特徵。使用自相關分析圖判斷時間序列的隨機性，一般給出如下準則： ①若時間序列的自相關函數基本上都落入置信區間，則該時間序列具有隨機性； ②若較多自相關函數落在置信區間之外，則認為該時間序列不具有隨機性。 6、 判斷時間序列是否平穩，是一項很重要的工作。運用自相關分析圖判定時間序列平穩性的準則是：①若時間序列的自相關函數 在k>3時都落入置信區間，且逐漸趨於零，則該時間序列具有平穩性；②若時間序列的自相關函數更多地落在置信區間外面，則該時間序列就不具有平穩性。 7、 ARMA模型的自相關分析 AR(p)模型的偏自相關函數 是以p步截尾的，自相關函數拖尾。MA(q)模型的自相關函數具有q步截尾性，偏自相關函數拖尾。這兩個性質可以分別用來識別自迴歸模型和移動平均模型的階數。ARMA(p,q)模型的自相關函數和偏相關函數都是拖尾的。 三、單位根檢驗和協整檢驗 1、單位根檢驗 ①利用迪基—福勒檢驗（ Dickey-Fuller Test）和菲利普斯—佩榮檢驗（Philips-Perron Test）,我們也可以測定時間序列的隨機性，這是在計量經濟學中非常重要的兩種單位根檢驗方法，與前者不同的事，後一個檢驗方法主要應用於一階自迴歸模......

協整檢驗有什麼意義

協整檢驗的定義

協整檢驗：在宏觀經濟計量分析中，Granger(1987)所提出的協整方法已成為了分析非平穩經濟變量之間數量關係的最主要工具之一，且通過線性誤差修正模型(ECM)刻畫了經濟變量之間的線性調整機制，這就是所謂的線性協整方法。隨著經濟理論的發展，尤其是交易成本和政策反應的經濟分析中，傳統的線性協整分析已不再是合適的分析方法，鑑於此Balk和Fomby(1997)提出了所謂的閾值協整(Threshold Cointegraion)方法，它刻畫了經濟變量之間的非線性調整機制。叮 協整檢驗的意義

協整即存在共同的隨機性趨勢。協整檢驗的目的是決定一組非平穩序列的線性組合是否具有穩定的均衡關係，偽迴歸的一種特殊情況即是兩個時間序列的趨勢成分相同，此時可能利用這種共同趨勢修正迴歸使之可靠。正是由於協整傳遞出了一種長期均衡關係，若是能在看來具有單獨隨機性趨勢的幾個變數之間找到一種可靠聯繫，那麼通過引入這種“相對平穩”對模型進行調整，可以排除單位根帶來的隨機性趨勢，即所稱的誤差修正模型。

在進行時間系列分析時，傳統上要求所用的時間系列必須是平穩的，即沒有隨機趨勢或確定趨勢，否則會產生“偽迴歸”問題。但是，在現實經濟中的時間系列通常是非平穩的，我們可以對它進行差分把它變平穩，但這樣會讓我們失去總量的長期信息，而這些信息對分析問題來說又是必要的，所以用協整來解決此問題。

序列平穩性檢驗檢驗形式是什麼意思

單位根檢驗、協整檢驗和格蘭傑因果關係檢驗三者之間的關係　　實證檢驗步驟：先做單位根檢驗，看變量序列是否平穩序列，若平穩，可構造迴歸模型等經典計量經濟學模型；若非平穩，進行差分，當進行到第i次差分時序列平穩，則服從i階單整（注意趨勢、截距不同情況選擇，根據P值和原假設判定）。若所有檢驗序列均服從同階單整，可構造VAR模型，做協整檢驗（注意滯後期的選擇），判斷模型內部變量間是否存在協整關係，即是否存在長期均衡關係。如果有，則可以構造VEC模型或者進行Granger因果檢驗，檢驗變量之間“誰引起誰變化”，即因果關係。一、討論一1、單位根檢驗是序列的平穩性檢驗，如果不檢驗序列的平穩性直接OLS容易導致偽迴歸。2、當檢驗的數據是平穩的（即不存在單位根），要想進一步考察變量的因果聯繫，可以採用格蘭傑因果檢驗，但要做格蘭傑檢驗的前提是數據必須是平穩的，否則不能做。3、當檢驗的數據是非平穩（即存在單位根），並且各個序列是同階單整（協整檢驗的前提），想進一步確定變量之間是否存在協整關係，可以進行協整檢驗，協整檢驗主要有EG兩步法和JJ檢驗A、EG兩步法是基於迴歸殘差的檢驗，可以通過建立OLS模型檢驗其殘差平穩性B、JJ檢驗是基於迴歸係數的檢驗，前提是建立VAR模型（即模型符合ADL模式）4、當變量之間存在協整關係時，可以建立ECM進一步考察短期關係，Eviews這裡還提供了一個Wald－Granger檢驗，但此時的格蘭傑已經不是因果關係檢驗，而是變量外生性檢驗，請注意識別二、討論二1、格蘭傑檢驗只能用於平穩序列！這是格蘭傑檢驗的前提，而其因果關係並非我們通常理解的因與果的關係，而是說x的前期變化能有效地解釋y的變化，所以稱其為“格蘭傑原因”。2、非平穩序列很可能出現偽迴歸，協整的意義就是檢驗它們的迴歸方程所描述的因果關係是否是偽迴歸，即檢驗變量之間是否存在穩定的關係。所以，非平穩序列的因果關係檢驗就是協整檢驗。3、平穩性檢驗有3個作用：1）檢驗平穩性，若平穩，做格蘭傑檢驗，非平穩，作協正檢驗。2）協整檢驗中要用到每個序列的單整階數。3）判斷時間學列的數據生成過程。三、討論三其實很多人存在誤解。有如下幾點，需要澄清：第一，格蘭傑因果檢驗是檢驗統計上的時間先後順序，並不表示而這真正存在因果關係，是否呈因果關係需要根據理論、經驗和模型來判定。第二，格蘭傑因果檢驗的變量應是平穩的，如果單位根檢驗發現兩個變量是不穩定的，那麼，不能直接進行格蘭傑因果檢驗，所以，很多人對不平穩的變量進行格蘭傑因果檢驗，這是錯誤的。第三，協整結果僅表示變量間存在長期均衡關係，那麼，到底是先做格蘭傑還是先做協整呢？因為變量不平穩才需要協整，所以，首先因對變量進行差分，平穩後，可以用差分項進行格蘭傑因果檢驗，來判定變量變化的先後時序，之後，進行協整，看變量是否存在長期均衡。第四，長期均衡並不意味著分析的結束，還應考慮短期波動，要做誤差修正檢驗。

如何深入理解時間序列分析中的平穩性

平穩不只是對很多實際過程的「簡化」，還是我們的「追求」，是一條時間序列裡面長期穩定不變的某些規律，是基本模型。

當面對不平穩的過程的時候，我們首先會想著去把這樣的過程變換成平穩的，找出裡面相對更不隨時間變化的、更「平穩」的那些東西來，更平穩的序列有更低的 Order of integration 。當然，找出這些不變的（或者相對更平穩的）東西來之後，並不代表就一定可以獲得真正意義上的預測能力。

舉兩個例子：

股票絕對價格的漲跌顯然不能滿足正態分佈，Bachelier (1900) 當時就犯了這樣的錯誤。當序列被 Osborne 處理過之後：，開始關注相對變化，這個序列才變得更「平穩」了。

反覆做差分變換 ，直到時間序列變得「平穩」為止，做的差分變換的次數即為 Order of integration 。一條時間序列整體隨時間變化的趨勢消除，因而可以關注一些在整體變化之外的那些漲落，序列也因此變得相對更「平穩」。關於差分變換直至「平穩」的一個好例子就是「抑制了房價」「抑制了房價的增長」「抑制了房價增長的勢頭」「抑制了房價過快增長的勢頭」——經過多次差分變換，直到最終「抑制……增長」，得到了一條平穩的時間序列。

關於強平穩和弱平穩的差別：

強平穩是事實上的平穩（同分布）；

弱平穩是統計量在觀測意義上的平穩（均值、方差）。

第二個問題，均衡跟穩定沒有關係。

國家規定了某個商品的價格，這情況完全不均衡，但是巨穩定。

一般均衡達到穩定，跟時間序列的穩定性還是兩碼事，例如矩可能不存在；又例如我選擇的時間序列的時間間隔尺度遠小於市場發生響應達到穩定的均衡的時間尺度，得到的序列還是可能是不穩定的。

時間序列在做迴歸分析前是不是都要做平穩性檢驗？？ 5分

是的

趨勢性檢驗中,進行單位根檢驗的意義是什麼

對非平穩序列使用傳統的估計方法時(像普通最小二乘估計OLS)，以及估計變量間的關係時會得出錯誤推斷。正確的方法是在檢驗時間趨勢之前，要先確定時間序列中是否存在單位根。如果變量不能拒絕有單位根，則認為是非平穩的。如果經過單位根檢驗得到所研究的序列是非平穩的，可以通過一次或多次差分變為平穩序列。