第 15 章 预测

1

第 15章 预测

15.1 什么是预测对解释变量样本外观察值的期望值的估计。预测的步骤：两个实例： P281。

2

15.2 比较复杂的预测

预测时可能遇到的问题：1 、 X 的取值是未知的；2 、序列相关；3 、置信区间；4 、联立方程模型。

3

15.2.1 条件预测

在预测被解释变量之前要先对解释变量进行预测，即对 Y 的预测是以 X 的预测值为条件。除非对解释变量的预测是精确的，否则就会存在预测误差。

当解释变量可以表现为先行指标的函数时 , 可以避免原本应进行的条件预测 .

例如 :P284,用利率对投资进行预测 .

4

15.2.2 误差项序列相关时的预测

使用 GLS方程进行预测例 :P284-285

5

15.2.3 预测的置信区间

6

15.2.4 用联立方程组进行预测如果系统中没有滞后内生变量 ,特定内生变量的诱导型方程可以用来进行预测 ;

如果存在滞后内生变量 ,那么预测方法应考虑滞后内生变量所导致的动态的交互影响 .

7

15.3 ARIMA模型

8

时间序列数据的 AR、 MA、和 ARIMA建模

自回归模型（ auto-regressive,AR）1 、 AR模型 如果时间序列 Y1 ， Y2 ，…， Yt ，的生成过程的形式为：

）过程。（或阶自回归过程程称为具有这种形式的随机过

为白噪声。其中

pAR

p

YYYY

t

tptpttt

)()()(2211

9

移动平均过程（ Moving Average, MA）MA（ q)模型 如果时间序列 Yt 为它的当期和前期的误差和随机项的线性函数，即

是模型的待估计参数。

为移动平均参数，、、、。其中记为阶移动平均模型，为具有这种形式的模型称

为移动平均序列。则称该时间序列

q

t

qtqttt

qMA

q

Y

Y

21

110

)(

10

自回归移动平均过程（ ARMA） 如果时间序列 Yt 为它的当期和前期的误差和随机项，以及其前期值的线性函数，即

。为自回归移动平均序列则称该时间序列t

qtqttptpttt

Y

YYYY

1102211

型的待估计参数。为移动平均参数，是模、、、

为自回归参数，、、、。其中记为，阶自回归移动平均模型为具有这种形式的模型称

q

pqpARMA

qp

21

21),(

),(

11

自回归求积移动平均过程， ARIMA 模型

对 Yt进行差分，如果差分后的序列是平稳的，则称 Yt为自回归求积移动平均过程（ autoregressive integrated

moving-average process） , 用 ARMA(p,1,q)表示。如果 Yt须经过 d 次差分后转变为平稳过程，则称ARIMA(p,d,q)。

12

博克斯 - 詹金斯 (BJ)方法论识别：用相关图和偏相关图找出适当的 p, d, q值

估计：用最小二乘法或非线性估计方法诊断：看所选模型对数据的拟合是否够好预测： ARIMA普及的原因是其预测方面的成功。

13

小结

14

第 16章 实验和面板数据 16.1 经济学中的实验方法

15

16.1.1 随机分配实验

16

16.1.2 自然实验

17

16.1.3 自然实验的例子

18

16.2 面板数据16.2.1 什么是面板数据

19

16.2.2 固定效应模型

20

16.2.3 固定效应模型估计的例子

21

16.3 固定效应模型和随机效应模型

16.3.1 随机效应模型

22

16.3.2 如何选择固定效应模型和随机效应模型

23

小结