時間序列資料分析

10.1 時間序列資料
1. 隨機過程(stochastic process)或時間序列過程(time series process)
2. 隨機變數(random variable)

10.2 時間序列迴歸模型
1.靜態模型(static model)
y t   0  1 z t  u t t  1,2,  , n

2.落後期分配模型(distributed lag model)

y t   0   0 z t  1 z t 1   2 z t  2  u t
 0 :impact propensity 或 impact multiplier
 0   1   2 :long-run propensity 或 long-run multiplier

10.3 OLS 迴歸假設

1. 線性迴歸

y t   0  1 xt1     k xtk  u t

2. 殘差項平均數為零

E (u t | xt1 , , xt k )  E (u t | x n )  0
 而且 即解釋變數為存外生性(strictly exogenous)
Cor ( xt j , u t )  0

3. 沒有完全共線性

4. 同質性
Var (u t | x )  Var (u t )   2
5. 沒有序列相關
Cor (u t , u s | x )  0

6. 常態分配假設
u t ~ N (0,  2 )
10.4 函數形態、虛擬變數與指數
1. 採用對數形式
例如：
log(M t )   0   0 log(GDPt )  1 log(GDPt 1 )   2 log(GDPt  2 )   3 log(GDPt 3 )   4 log(GDPt  4 )  u t
 0 :短期彈性
 0   1   2   3   4 :長期彈性(衡量四期變動後的結果)
2. 利用虛擬變數衡量特定期間效果
例如：
gf t   0  1 pet   2 ww2 t   3 pillt  u t
其中， gf :生育率 pe :個人免稅額
ww2 :指 1941 至 1945 二次大戰期間
pill :指 1963 年後避孕藥發明
 事件分析法(event study):利用虛擬變數做為解釋變數

3. 指數
指數係說明基期與當期間的關係，例如：物價指數於 2000 年為 100，若 2006 年為 110，表示物價上漲 10％。
例用物價指數平減，將當期值轉換成實質值(real value)，
例如：實質工資率  w
p

10.5 趨勢與季節變化
1. 時間趨勢(time trend)
當時間序列資料呈現固定的成長型態，則稱為其時間趨勢。

2. 線性時間趨勢
y t   0   1t  et
y t  y t  y t 1   1
E ( yt )   0  1
當  1  0 表向上趨勢(upward trend)；  1  0 表向下趨勢(downward trend)

3. 指數趨勢
log( y t )   0   1t  et
反應出固定平均成長率，亦即  log y t   ( y t  y t 1 ) / y t 1
4. 二次趨勢
y t  d 0  d 1t  d 1 t 2  e t
y t
  1  2 2 t
t

5. 假性迴歸(spurious regression)
解釋變數與被解釋變數間均存在時間趨勢，兩者間的關係存在假性關係(spurious relationship)，
利用加入時間項，可以解決此一問題。

6. 利用排除趨勢(detrending)迴歸
當考量
y t   0  1 xt1   2 xt2

若 、 、 均存在趨勢性，可以採用排除趨勢方式。
yt xt1 xt 2

(1) y t   0   1t  et 得出 eˆt  y t   0  1t  yt

(2) 得出
xt1   0   1t  et eˆt  xt1

(3) 得出
xt 2   0   1t  et eˆt  xt2

(4)利用 對 、 迴歸得 與 。
yt xt1 xt 2 1 2

7. 季節變化
利用季節的虛擬變數，進行迴歸估計。