【導(dǎo)讀】數(shù)據(jù)步接口程序；宏程序語(yǔ)句和宏函數(shù)。宏工具可以給一段文本或SAS程序命名，并通過(guò)引。宏工具的功能非常強(qiáng)大，使用宏工具來(lái)完成以下任務(wù)。使用宏循環(huán)及條件判斷語(yǔ)句完成程序交互。用宏程序語(yǔ)句%LET來(lái)定義宏變量。例中，在引號(hào)內(nèi)引用宏變量的值時(shí)必須用雙引號(hào)。為宏處理器只能在雙引號(hào)內(nèi)進(jìn)行替代。NOTE:數(shù)據(jù)集有1個(gè)觀(guān)測(cè)和0個(gè)變量。title2"&m年&n月份收盤(pán)價(jià)時(shí)序圖";不過(guò)，更好的方法是用宏循環(huán)來(lái)實(shí)現(xiàn)這里的要求。例中，如果不執(zhí)行宏&PLOT步的程序時(shí)，可將其設(shè)定為空值。name1和name2這兩個(gè)宏變量，系統(tǒng)就會(huì)提示這兩個(gè)宏變量并不存在，在宏的引用過(guò)程中，當(dāng)詞段掃描器識(shí)別一個(gè)宏變量名稱(chēng)時(shí)，從&開(kāi)。始直到遇到一個(gè)SAS名稱(chēng)中不允許出現(xiàn)的字符為止。顯示這些分隔符，一般使用句號(hào)來(lái)作為分隔符使用。本是固定的名稱(chēng)，而另一部分是變化的數(shù)字。這時(shí)就可以采取間

　　

【正文】 。 我們可以將上述討論引申到更一般的情形：對(duì)于非線(xiàn)性形式為 f (xt , ? )的非線(xiàn)性模型， xt = {1, x1t , x2t ,…, xkt} ，? = {?0 , ?1 ,…, ?k }，若擾動(dòng)項(xiàng)序列存在 p階序列相關(guān)， () () 也可用類(lèi)似方法轉(zhuǎn)換成誤差項(xiàng) ?t為白噪聲序列的非線(xiàn)性回歸方程 ， 以 p = 1為例 ， () 使用 GaussNewton算法來(lái)估計(jì)參數(shù) 。 ttt ufy ?? ),( βxtptpttt uuuu ???? ????? ??? ?2211ttttt ffyy ??? ???? ?? ),(),( 1111 βxβx 3. 在 Eviews中的操作： 打開(kāi)一個(gè)方程估計(jì)窗口 ， 輸入方程變量 ， 最后輸入ar(1) ar(2) ar(3)。 針對(duì)例 ： 需要注意的是 ， 輸入的 ar(1) ar(2) ar(3) 分別代表 3個(gè)滯后項(xiàng)的系數(shù) ， 因此 ， 如果我們認(rèn)為擾動(dòng)項(xiàng)僅僅在滯后 2階和滯后 4階存在自相關(guān) ， 其他滯后項(xiàng)不存在自相關(guān) ， 即 則估計(jì)時(shí)應(yīng)輸入： cs c gdp cs(1) ar(2) ar(4) EViews在消除序列相關(guān)時(shí)給予很大靈活性 ， 可以輸入模型中想包括的各個(gè)自回歸項(xiàng) 。 例如 ， 如果有季度數(shù)據(jù)而且想用一個(gè)單項(xiàng)來(lái)消除季節(jié)自回歸 ， 可以輸入： cs c gdp cs(1) ar(4)。 tttt uuu ??? ??? ?? 4422 例 用 AR(p)模型修正回歸方程殘差序列的自相關(guān) （ 1） 例 關(guān) 。 這里將采用 AR(1)模型來(lái)修正投資方程的自相關(guān)性： t = 1, 2, ?, T 回歸估計(jì)的結(jié)果如下： t = () （ ） t = () R2= . = tttt ugnpri n v ??? ? )l n ()l n ( 211 ??ttt uu ?? ?? ? 11)l n ()?l n ( 1 ttt gnprvni ?? ? ?? tt uu 再對(duì)新的殘差序列進(jìn)行 LM檢驗(yàn) (p=2)，最終得到的檢驗(yàn)結(jié)果如下： 檢驗(yàn)結(jié)果不能拒絕原假設(shè)，即修正后的回歸方程的殘差序列不存在序列相關(guān)性。因此，用 AR(1)模型修正后的回歸方程的估計(jì)結(jié)果是有效的。 例 用 AR(p)模型修正回歸方程殘差序列的自相關(guān) 例 列存在明顯的序列自相關(guān) 。 而且從相關(guān)圖看到 ， 可以采用 AR(3) 模型來(lái)修正回歸方程的自相關(guān)性 。 tttt uG D PcCSccCS ???? ? 2110ttttt uuuu ???? ???? ??? 332211回歸估計(jì)的結(jié)果如下： 模型建立如下： t = () () （ ） t = () () （ ） R2= = tttt uG D ..CS ?2506508665 1 ????? ?ttttt uuuu ????? ??? 321 再對(duì)新的殘差序列 進(jìn)行 LM檢驗(yàn) ， 最終得到的檢驗(yàn)結(jié)果如下： tε? 給出糾正后的殘差序列的 Q統(tǒng)計(jì)量和序列相關(guān)圖，在直觀(guān)上認(rèn)識(shí)到消除序列相關(guān)后的殘差序列是一個(gè)隨機(jī)擾動(dòng)序列。 含有 AR項(xiàng)模型的估計(jì)輸出 當(dāng)估計(jì)某個(gè)含有 AR項(xiàng)的模型時(shí) ， 在解釋結(jié)果時(shí)一定要小心 。 在用通常的方法解釋估計(jì)系數(shù) 、 系數(shù)標(biāo)準(zhǔn)誤差和 t統(tǒng)計(jì)量時(shí) ， 涉及殘差的結(jié)果會(huì)不同于 OLS的估計(jì)結(jié)果 。 要理解這些差別 ， 記住一個(gè)含有 AR項(xiàng)的模型有兩種殘差： 第一種是 無(wú)條件殘差 bxyu ttt ???? 通過(guò)原始變量以及估計(jì)參數(shù) ? 算出。在用同期信息對(duì) yt 值進(jìn)行預(yù)測(cè)時(shí)，這些殘差是可以觀(guān)測(cè)出的誤差，但要忽略滯后殘差中包含的信息。 第二種殘差是估計(jì)的 一期向前預(yù)測(cè)誤差 。 如名所示 ， 這種殘差代表預(yù)測(cè)誤差 。 對(duì)于含有 AR項(xiàng)的模型 ， 基于殘差的回歸統(tǒng)計(jì)量 ， 如 R2 (回歸標(biāo)準(zhǔn)誤差 )和 DW值都是以一期向前預(yù)測(cè)誤差 為基礎(chǔ)的 。 含有 AR項(xiàng)的模型獨(dú)有的統(tǒng)計(jì)量是估計(jì)的 AR系數(shù) 。 i?????? 對(duì)于簡(jiǎn)單 AR(1)模型 ， 是無(wú)條件殘差 的序列相關(guān)系數(shù) 。 對(duì)于平穩(wěn) AR(1)模型 ， ?1 在 1（ 極端負(fù)序列相關(guān) ） 和 +1（ 極端正序列相關(guān) ） 之間 。 一般 AR(p)平穩(wěn)條件是：滯后算子多項(xiàng)式的根的倒數(shù)在單位圓內(nèi) 。 EViews在回歸輸出的底部給出這些根： Inverted AR Roots。如果存在虛根，根的模應(yīng)該小于 1。 tu?1?? 另外： EViews可以估計(jì)帶有 AR誤差項(xiàng)的 非線(xiàn)性回歸模型 。 例如：將例 ， 估計(jì)如下帶有附加修正項(xiàng) AR(3)的非線(xiàn)性方程： tcttt uGDPCSccCS ???? ? 2110 用公式法輸入： cs=c(1)+gdp^c(2)+c(3)*cs(1)+[ar(1)=c(4), ar(2)=c(5), ar(3)=c(6)] ttttt uuuu ???? ???? ??? 332211 輸出結(jié)果顯示為： 167。 平穩(wěn)時(shí)間序列建模 本節(jié)將不再僅僅以一個(gè)回歸方程的擾動(dòng)項(xiàng)序列為研究對(duì)象 ， 而是直接討論一個(gè)平穩(wěn)時(shí)間序列的建模問(wèn)題 。 在現(xiàn)實(shí)中很多問(wèn)題 ， 如利率波動(dòng) 、 收益率變化及匯率變化等通常是一個(gè)平穩(wěn)序列 ， 或者通過(guò)差分等變換可以化成一個(gè)平穩(wěn)序列 。 本節(jié)中介紹的 ARMA模型 (autoregressive moving average models)可以用來(lái)研究這些經(jīng)濟(jì)變量的變化規(guī)律 ， 這樣的一種建模方式屬于時(shí)間序列分析的研究范疇 。 經(jīng)濟(jì)時(shí)間序列不同于橫截面數(shù)據(jù)存在重復(fù)抽樣的情況，它是一個(gè)隨機(jī)事件的惟一記錄，如中國(guó)1980年～ 2020年的進(jìn)出口總額是惟一的實(shí)際發(fā)生的歷史記錄。從經(jīng)濟(jì)的角度看，這個(gè)過(guò)程是不可重復(fù)的。橫截面數(shù)據(jù)中的隨機(jī)變量可以非常方便地通過(guò)其均值、方差或生成數(shù)據(jù)的概率分布加以描述，但是在時(shí)間序列中這種描述很不清楚。因此，經(jīng)濟(jì)時(shí)間序列需要對(duì)均值和方差給出明晰的定義。 167。 平穩(wěn)時(shí)間序列的概念 如果隨機(jī)過(guò)程 的均值和方差、自協(xié)方差都不取決于 t，則稱(chēng) {ut}是協(xié)方差平穩(wěn)的或弱平穩(wěn)的： },,{ 12101 ????? ??? TTt uuuuuuu 注意，如果一個(gè)隨機(jī)過(guò)程是弱平穩(wěn)的，則 ut 與 uts 之間的協(xié)方差僅取決于 s ，即僅與觀(guān)測(cè)值之間的間隔長(zhǎng)度 s有關(guān)，而與時(shí)期 t 無(wú)關(guān)。一般所說(shuō)的“平穩(wěn)性”含義就是上述的弱平穩(wěn)定義。 ??)( tuE2)v a r ( ??tu 對(duì)所有的 t 對(duì)所有的 t 對(duì)所有的 t 和 s sstt uuE ??? ??? ? ))((() () () 167。 ARMA模型 1. 自回歸模型 AR(p) p 階自回歸模型記作 AR(p)， 滿(mǎn)足下面的方程： () 其中：參數(shù) c 為常數(shù)； ?1 , ?2 ,… , ?p 是自回歸模型系數(shù)；p為自回歸模型階數(shù)； ?t 是均值為 0， 方差為 ? 2 的白噪聲序列 。 tptpttt uuucu ???? ?????? ??? ?2211 2. 移動(dòng)平均模型 MA(q) q 階移動(dòng)平均模型記作 MA(q) ， 滿(mǎn)足下面的方程： () 其中：參數(shù) ? 為常數(shù)；參數(shù) ?1 , ?2 ,… , ?q 是 q 階移動(dòng)平均模型的系數(shù)； ?t 是均值為 0， 方差為 ? 2的白噪聲序列 。 qtqtttu ?? ????? ?????? ?1