1 / 23

第 15 章 预测

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 。. 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。. 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 .

cain-villarreal
Download Presentation

第 15 章 预测

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  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：

  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

  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

  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

More Related