为什么时间序列做回归时只需协整检验就够了,不需要以前的经典回归检验
发布网友
发布时间：2022-04-27 08:10
共3个回答
热心网友
时间：2023-10-06 14:37
原因：只有同阶单整，变量之间才有共同的增长趋势，才能同涨同落。时间序列的协整检验：先做回归，后做协整检验。
时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。
时间序列法是一种定量预测方法，亦称简单外延方法，在统计学中作为一种常用的预测手段被广泛应用。时间序列分析在第二次世界大战前应用于经济预测。二次大战中和战后，在军事科学、空间科学、气象预报和工业自动化等部门的应用更加广泛。
时间序列分析(Time series analysis)是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。时间序列构成要素是：现象所属的时间，反映现象发展水平的指标数值。
热心网友
时间：2023-10-06 14:37
热心网友
时间：2023-10-06 14:38
1、前提：
待检验的两个或多个变量之间（自变量与因变量），（单整：单个变量的差分平稳，一阶平稳：差分一次；二阶级平稳：差分两次；，，，，）必须是同阶单整。
原因：只有同阶单整，变量之间才有共同的增长趋势，才能同涨同落。时间序列的协整检验：先做回归，后做协整检验。2、面板数据的协整检验：先做协整检验，后做回归。
协整：变量之间的长期的稳定的协调关系。
3、面板数据的协整回归：
（1）不变系数模型（各单位之间的回归系数大体相同）
变系数模型（各单位之间的回归系数大体不同）
F检验：略。
（1）固定影响模型（总体数据）
（2）随机影响模型（样本数据）
三大回归：
1、截面数据的回归
（1）异方差（穷人的额外消费与富人的额外消费差距甚大：收入作为自变量；消费作为因变量）
影响：自变量“纳伪”
消除：WLS
（2）自相关（时间序列的残差之间相互关联）
如果模型成功，残差之间应该无自相关。白噪声WN。
影响：自变量“纳伪”
消除：广义差分法：既对因变量进行差分，也对自变量进行差分。
（狭义差分：只对因变量进行差分）。
共线性
信息重叠。
VIF：大于10
剔除法（剔点）。
2、时间序列
ARMA模型（自回归移动平均模型）
平稳性检验：单位根检验ADF
等均值（实际：等观测值，08年GDP与09年GDP相等）
同方差（实际：同残差，08年残差与09年的残差相同）
协方差（相关系数）：只与时间跨度的长短有关。时间间隔越长，相互影响越弱。
随机漫步：（random walk）
随机漫步：方差变得无穷大，均值变得无意义。
“单位”根：回归系数为1.
单位根过程：非平稳过程！
单位根检验：ADF
时间序列的协整检验与协整回归
（面板数据的协整检验与协整回归的应用）
协整检验
判断时间序列是否同阶单整
如果同阶单整
ADF检验
协整回归
OLS方法
对残差进行白噪声检验（判断残差是否存在自相关）
Quick-generate series 在对话框中写：“et=resid”，点击“OK”。
打开et，进行单位根检验。
如果检验结果，et为平稳过程，则说明刚才所做回归是协整回归。
