频域分析方法 原理 假设任何一种无趋势的时间序列都可以分解成若干不同频率的 周期波动 发展过程 早期的频域分析方法借助富里埃分析从频率的角度揭示时间序 列的规律，后来借助了傅里叶变换，用正弦、余弦项之和来逼近 某个函数。20世纪60年代，引入最大熵谱估计理论，进入现代谱 分析阶段 特点 非常有用的动态数据分析方法，但是由于分析方法复杂，结果 抽象，有一定的使用局限性 21
21 频域分析方法 原理 假设任何一种无趋势的时间序列都可以分解成若干不同频率的 周期波动 发展过程 早期的频域分析方法借助富里埃分析从频率的角度揭示时间序 列的规律 ，后来借助了傅里叶变换，用正弦、余弦项之和来逼近 某个函数 。20世纪60年代，引入最大熵谱估计理论，进入现代谱 分析阶段 特点 非常有用的动态数据分析方法，但是由于分析方法复杂，结果 抽象，有一定的使用局限性
时域分析方法 原理 事件的发展通常都具有一定的惯性，这种惯性用统计的语 言来描述就是序列值之间存在着一定的相关关系，这种相关关 系通常具有某种统计规律。 目的 寻找出序列值之间相关关系的统计规律，并拟合出适当的 数学模型来描述这种规律，进而利用这个拟合模型预测序列未 来的走势 特点 理论基础扎实，操作步骤规范，分析结果易于解释，是时 间序列分析的主流方法 22
22 时域分析方法 原理 事件的发展通常都具有一定的惯性，这种惯性用统计的语 言来描述就是序列值之间存在着一定的相关关系，这种相关关 系通常具有某种统计规律。 目的 寻找出序列值之间相关关系的统计规律，并拟合出适当的 数学模型来描述这种规律，进而利用这个拟合模型预测序列未 来的走势 特点 理论基础扎实，操作步骤规范，分析结果易于解释，是时 间序列分析的主流方法
(四)常见的数据类型 到目前为止，经典计量经济模型常用到的数据有： 时间序列数据(time-series data): 。1 截面数据(cross-.sectional data) 平行/面板数据(panel data/time-series cross- section data) ★时间序列数据是最常见，也是最常用到的数据 23
23 （四）常见的数据类型 到目前为止，经典计量经济模型常用到的数据有： • 时间序列数据（time-series data)； • 截面数据(cross-sectional data) • 平行/面板数据（panel data/time-series cross- section data) ★时间序列数据是最常见，也是最常用到的数据
(五)经典回归模型与数据的平稳性 ·经典回归分析暗含着一个重要假设：数据是平稳的。 ·数据非平稳，大样本下的统计推断基础一“一致性”要 求一被破怀。 。 经典回归分析的假设之一：解释变量X是非随机变量 ·放宽该假设：X是随机变量，则需进一步要求： (1)X与随机扰动项μ不相关：Cov(X,)=0 (2)∑(x,-x)2/n依概率收敛：Plim(∑(x,-X)2/m)=g 24
24 （五）经典回归模型与数据的平稳性 • 经典回归分析暗含着一个重要假设：数据是平稳的。 • 数据非平稳，大样本下的统计推断基础——“一致性”要 求——被破怀。 • 经典回归分析的假设之一：解释变量X是非随机变量 • 放宽该假设：X是随机变量，则需进一步要求： (1)X与随机扰动项 不相关∶ Cov(X,)=0 (Xi X ) / n 2 P Xi X n Q n ( ( ) / ) 2 (2) 依概率收敛： lim
第(1)条是OLS估计的需要 第(2)条是为了满足统计推断中大样本下的 66 性”特plim()=B 注意：在双变量模型中： 6-B1 x4 ∑x4,/n ∑x 2对1m Plim∑x,4,/n 因此： Plim B=B+ =B+=A PIim∑x2/n ▲如果X是非平稳数据（如表现出向上的趋势），则(2)不 成立，回归估计量不满足“一致性”，基于大样本的统计推 断也就遇到麻烦。 25
25 第（2）条是为了满足统计推断中大样本下的“一致 性”特性： ) ˆ ( lim n P x n x u n x x u i i i i i i / / ˆ 2 2 P x n Q P x u n P i i i n 0 lim / lim / ˆ lim 2 第（1）条是OLS估计的需要 ▲如果X是非平稳数据（如表现出向上的趋势），则（2）不 成立，回归估计量不满足“一致性” ，基于大样本的统计推 断也就遇到麻烦。 因此： 注意：在双变量模型中：