空间自回归模型及其估计

一、概述在经济问题研究中,处理的数据分为时间序列数据、截面数据以及截面时间序列数据(paneldata)。应用回归模型研究变量之间的关系时,假设模型满足Gauss_Markov条件,当研究的数据是时间序列时,通常会存在序列相关,针对这类数据的问题可以结合时间序列分析的方法加以处理;如     

互联网企业广告收入预测研究——基于低频数据的神经网络和时间序列组合模型

神经网络模型对大样本时间序列的拟合效果优于传统时间序列模型,但对于年度、月度、日度等低频时间序列的预测则难以发挥其优势。鉴于此,本文应用传统时间序列模型和神经网络模型,建立Holtwinters-BP组合模型,利用Holtwinters模型分别拟合各解释变量序列,利用BP模型拟合解释变量和自变量的非线性关系,基于某社交新闻类APP的日广告收入数据进行互联网企业广告收入预测研究。通过与循环神经网络(RNN)模型、长短期记忆神经网络(LSTM)模型等预测结果的对比发现:Holtwinters-BP组合模型的预测精度和稳定性更高;证明多维变量对于广告收入的显著影响,多变量模型的预测准确性高于单变量模型;构建的Holtwinters-BP组合模型对于低频数据预测有较好的有效性和适用性。     

中国股市与经济增长的关联性研究

一、实证分析(一)变量与数据实证数据选取1992年第1季度至2005年第2季度的时间序列,共53组观察值。各变量的设定与数据来源如表1所示:以上变量的一阶差分记为Δecono-my、Δstock,恰好分别对应于各季度的经济增长率、股市收益率,具备良好的经济涵义。(二)单位根检验如图1所示,e     

固定资产投资与经济增长关系探究:来自平行数据的证据

一、研究现状评述从数据特点进行分类,对投资和经济增长关系的研究,大致可以分为两个方面:(1)利用时间序列数据或者截面数据进行实证分析;(2)利用平行数据进行实证分析。所谓平行数据(panel data,也译作面板数据、综列数据等),是指在时间序列数据上取多个截面,在这些截面上同时选取样本观测值所构成的样本数据。利用截面数据,Levine and Renelt(1992)研究表明投资是一个灵敏的变量,对国家经济增长的影响是正的与统计显著的。利用法国、德国、日本、英国与美国的时间序列数据,Alfred and Willi(2001)研究了投资的外部性与内生经济增长的关…     

多变量时间序列的重构与预测方法

多变量时间序列包含有比单变量时间序列更丰富的动态信息,具有一定的信息完备性和确定性,但多变量时间序列同时也会带来一定的冗余信息和部分噪声.为了更好地反映多变量时间序列的动态特性,文章对多变量时间序列进行空间重构,并利用主成分分析法(PCA)对重构后的多变量时间序列进行处理,以减低特征空间维数;最后采用支持向量机建立预测模型.仿真实验表明,该预测模型具有较强的自适应能力和较好的预测效果.     

平行数据模型中的异方差问题的处理

一、引言平行数据 (PanelData)指在时间序列上取多个截面 ,在这些截面上同时选取样本观测值所构成的样本数据。也就是把截面和时间序列数据融合在一起的数据。平行数据模型是一类线性经济模型 ,这些模型可以看作协变量的双向设计。如 :yit =∑pk =1xitkyk uit,i=1 ,2 ,L,N ,t =1 ,2 ,L,T其中N是横截面的个数 ,T是每一横截面上时间序列的长度 ,P是外生的或自变量的个数。近 2 0年来 ,平行数据模型在计量经济学理论方法方面取得了重要发展 ,新方法、新观点层出不穷。在经济分析中 ,平行数据模型起着只利用截面数据或只利用时间序列数据模…     

线性回归模型与传递函数模型在时间序列应用上的比较研究

如果一个因变量是由一个或多个自变量来解释的,那么对这些数据可以建立回归模型.但如果因变量和自变量同时又是时间序列,则也可以建立传递函数模型(transferfunction models).与普通的回归模型相比,传递函数模型说明因变量与自变量以及扰动项之间关系时,有着更为丰富的结构.在多变量时间序列模型方面,有关线性回归模型与传递函数序列在时间序列方面应用效果的比较很少,因此,本文拟进行这方面的研究,为多变量时间序列建立模型提供参考.     

我国出口、外商直接投资与经济增长的计量经济分析

一、变量与数据研究我国出口、外商直接投资与经济增长之间的动态关系中,三个变量分别用EX、FDI、GDP表示。选取1983—2005年的数据,数据来源于历年《中国统计年鉴》。为了得到比较平稳的数据,对上述时间序列分别取自然对数,这样不仅不改变原有的协整关系,而且能够使其趋势线性化,消除时间序列中存在的异方差,记为LNEX、LNFDI、LNGDP。     

对2005年GDP季度数据的预测--基于包含趋势和季节成分的ARMA模型的分析

一、包含趋势和季节成分的ARMA模型 在经济领域里,根据一个经济变量的时间序列数据来建立经济计量模型并以此模型对该变量的未来趋势进行预测已经得到了广泛的应用,其中比较成熟的建模技术有:趋势建模、季节性建模、周期建模(ARMA模型)以及它们的混合建模.     

我国能源消费与经济增长的关系分析

一、实证数据和方法 在现实经济中,变量本身通常是非稳定的时间序列并表现出一定的趋势,为了使传统的单方程计量模型有意义,常用的方法是对变量序列进行差分,然后用差分序列进行回归,这样做的结果忽视了水平序列所包含的有用信息,回归方程不能全面反映经济变量间的关系.     

基于季节性ARIMA模型的居民消费水平预测

文章以居民消费价格指数(CPI)的短期预测作为切入点,采用定量的时间序列分析方法,建立季节自回归综合移动平均(季节性ARIMA模型)模型对CPI时间序列进行量化分析.首先阐述基于该模型的CPI预测的一般过程,即:平稳化处理、差分变换的阶数辨识、参数估计,时间序列模型的构建,然后对模型进行性能检验,确定较适合的季节自回归综合移动平均模型,最后在实证分析中探讨经济变量CPI与时间变量之间的变动规律,对CPI时间序列进行适当的差分处理,取得了较为理想的预测效果.     

结构性突变的单位根过程--基于中国广义货币的实证

一、引言 传统的单位根检验都没有考虑到数据生成过程(DGP)中系数的时变性问题,即都假定DGP无结构性突变.但是,现实的经济运行经常受到外生事件的冲击,如金融危机、体制转变等,这使得经济变量的DGP往往具有结构性突变.Perron(1989)正是基于此提出了结构突变的单位根检验问题.他运用结构性突变的单位根检验,发现美国经济变量时间序列数据大部分为结构突变的趋势稳定.他的这一结论与Nelson和Plosser(1982)的结论大不一致.由此引出了对经济变量结构突变的研究和争论.     

FDI与中国经济增长的协整分析

一、数据及方法 (一)数据 本文所用1978-2002年的数据根据历年<中国统计年鉴>整理而成,其中GDP1、FDIt均以现价形式表示,使用1991年为基期的商品零售价格指数对两个变量进行缩减,以消除物价因素的影响.另外为消除数据中存在的异方差,分别对两个变量取对数.其相应的差分序列为△lnGDPt,△1nFDIt.     

时间序列分析与回归分析之异同

时间序列分析与回归分析之异同西安公路交通大学雷渐宏不少统计文献是分别论述时间序列分析和回归分析这两个问题的。时间序列分析在于测定时间序列中存在的长期趋势、季节性变动、循环波动及不规则变动，并进行统计预测；回归分析则侧重于测定解释变量对被解释变量的影响...     

时间序列分析法对我国工业增加值趋势的预测分析与研究

一、问题的提出所谓时间序列,就是观测或记录到的一组按时间顺序排列起来的统计数据,说得更清楚一点,时间序列在形式上表现为变量Y的一连串值(如销售量、国民收入、工业增加值、人口),这些值是不同的时间测得,并根据时间排序,时间序列可表示为如下形式:(y1,y2,…,y)t这些表示某种经济现象的时间序列,在经济管理中,     

对新中国以来物价走势的实证分析

现有文献中,一般假定数据生成过程(DGP)无结构变化.然而,剧烈的外生冲击(如金融危机、体制变化等)可能导致DGP具有结构突变.有鉴于此,Perron(1989)提出了结构突变的单位根问题:他运用结构变化的单位根检验,发现美国宏观经济变量时间序列数据大部分为结构突变的趋势稳定,这一结论与Nelson和Plosser(1982)的结论部分相逆.在Nelson和Plosser认定的13个含单位根的变量中,有10个为结构突变的趋势稳定,由此引发了结构变化的单位根和协整问题,Perron的发现也因此被称为Perron现象.     

多变量混沌时间序列的最小二乘支持向量机预测

文章根据多变量混沌时间序列的相空间重构理论,建立了多变量时间序列的最小二乘支持向量机预测模型.通过Lorenz系统和中国股市的股票价格序列对该模型进行了验证,结果表明该预测模型能精确地预测混沌时间序列,并且优于基于单变量时间序列的最小二乘支持向量机预测模型.     

中国产业结构变动与经济增长

本文采用我国1978年至2003年的年度统计数据,应用处理平稳数据的方法--协整检验,检验了时间序列变量是否存在长期均衡关系,并采用格兰杰因果关系检验考察时间序列变量是否存在因果关系;证明了我国经济增长与产业结构存在着长期均衡的协同发展关系,认为在我国产业结构的次序逐步发展为二、三、一的结构将最有利于我国经济持续增长.     

人民币实际有效汇率波动的特征

在过去的20年里,非线性时间序列模型发展迅速,正日益广泛的被应用于各种经济时间序列特别是金融时间序列变量的研究.其中,STAR(Smooth Transition AR)模型,即平滑转换自回归模型就是非常重要的非线性领域转换模型.STAR模型首先是由Terasvirta& Anderson(1992)提出,后经Granger& Terasvirta(1993)和Terasvirta(1994)对模型的估计及统计特征进行了考察.尽管如此,在模型的应用方面,国内外都很少有将STAR模型应用于实际汇率特别是实际有效汇率的研究,而Michael(1997),N.Sarantis(1999)在这方面的研究也主要是针对发达国家.     

基于局部积差相关系数阵的纵向数据R型聚类分析——以现代服务业为例

在信息技术快速发展的今天,对问题和现象的研究已不再局限于单纯利用截面数据或时间序列数据进行分析。与之相比,纵向数据包含更多的信息,广泛而深入地挖掘其数据中的信息对于人类认识自然、认识社会有着重要意义。通过对纵向数据结构特征的研究,提出了纵向数据变量的局部积差相关系数矩阵。该相关阵不仅可以对变量的内部结构进行分析,更为重要的是,以此为基础来计算变量间相关系数,可以从一个新的视角,更为深入地揭示变量间的相关关系,进而可以对变量施以新型聚类分析。