【導讀】②掌握輸送機械的主要類型及其工作原理。食品工廠中應用最廣泛的一種連續(xù)輸送機械。工作平穩(wěn)，輸送距離大。8—尾架；9—空段清掃器；10—下托輥；12—彈簧清掃器；質量輕、延伸率小、吸水性小、耐磨性好特點。力較小的光滑顆粒物料的輸送。橡膠帶是由若干層纖維帆布作為帶芯，層與層之間用。橡膠加以粘合而成的。其上下兩面和左右兩側還附有橡膠保護層。的主要作用是防止帆布磨損及腐蝕。橡膠帶按其用途不同可分為強力型、普通型和耐熱型。呈鼓形結構，即中部直。徑稍大．用于自動糾正輸送帶的跑偏。為了清除卸料后仍粘附在輸送帶上的粉。工作面用刮板清掃器。加料高度，以減輕對帶的沖擊。及時加注潤滑劑，以減小摩擦阻力。

　　

【正文】 個模型中參數的估計值的 t統(tǒng)計量均大于各自的臨界值 ， 因此 不能拒絕存在單位根的零假設 。 ? 結論： 人均國內生產總值 （ GDPPC） 是非平穩(wěn)的 。 2）對于 人均居民消費 CPC時間序列來說，三個模型的適當形式為 ： 模型 3 ： 11 4 6 2 6 4 ?? ??????? ttt C P CC P CtC P C ( 0 . 4 7 7 ) ( 2 . 1 7 5 ) ( 1 . 4 7 8 ) ( 2 . 3 1 8 ) L M ( 1 ) = 1 . 5 7 7 L M ( 2 ) = 1 . 8 3 4 模型 2 ： 3211 ???? ?????????? ttttt C P CC P CC P CC P CC P C ( 1 . 3 7 ) ( 3 . 3 7 ) ( 1 . 1 6 ) ( 3 . 4 4 ) ( 0 . 0 5 ) ??? tC P C ( 3 . 0 3 ) L M ( 1 ) = 3 . 5 7 L M ( 2 ) = 4 . 1 0 L M ( 3 ) = 4 . 8 9 L M ( 4 ) = 1 0 . 9 9 模型 1 ： 43211 ????? ?????????? tttttt C P CC P CC P CC P CC P CC P C ( 3 . 6 0 ) ( 2 . 3 7 ) ( 2 . 9 7 ) ( 0 . 1 2 ) ( 2 . 6 8 ) L M ( 1 ) = 1 . 8 3 L M ( 2 ) = 1 . 8 4 L M ( 3 ) = 2 . 0 0 L M ( 4 ) = 2 . 3 3 ? 三個模型中參數 CPCt1的 t統(tǒng)計量的值均比ADF臨界值表中各自的臨界值大 ， 不能拒絕該時間序列存在單位根的假設 ， ? 因此 ,可判斷人均居民消費序列 CPC是非平穩(wěn)的 。 五、單整、趨勢平穩(wěn)與差分平穩(wěn)隨機過程 ? 隨機游走序列 Xt=Xt1+?t經差分后等價地變形為 ?Xt=?t， 由于 ?t是一個白噪聲 ， 因此 差分后的序列 {?Xt}是平穩(wěn)的 。 ? 如果一個時間序列經過一次差分變成平穩(wěn)的 ， 就稱原序列是 一階單整 （ integrated of 1）序列 ， 記為 I(1)。 ⒈ 單整 ? 一般地，如果一個時間序列經過 d次差分后變成平穩(wěn)序列，則稱原序列是 d 階單整（ integrated of d） 序列 ，記為 I(d)。 ? 顯然， I(0)代表一平穩(wěn)時間序列。 ? 現實經濟生活中 : 1)只有少數經濟指標的時間序列表現為平穩(wěn)的 ，如利率等 。 2)大多數指標的時間序列是非平穩(wěn)的 ， 如一些價格指數常常是 2階單整的 ， 以不變價格表示的消費額 、 收入等常表現為 1階單整 。 ? 大多數非平穩(wěn)的時間序列一般可通過一次或多次差分的形式變?yōu)槠椒€(wěn)的 。 ? 但也有一些時間序列 ， 無論經過多少次差分 ，都不能變?yōu)槠椒€(wěn)的 。 這種序列被稱為 非單整的（ nonintegrated） 。 例 中國支出法 GDP的單整性 。 經過試算 ， 發(fā)現 中國支出法 GDP是 1階單整的 ，適當的檢驗模型為： 1212 9 6 9 6 1 7 4?? ??????? ttt GDPGDPtGDP ( 1 . 9 9 ) ( 4 . 2 3 ) （ 5 . 1 8 ） ( 6 . 4 2 ) 2R= 0 . 7 5 0 1 L M ( 1 ) = 0 . 4 0 L M ( 2 ) = 1 . 2 9 例 中國人均居民消費與人均國內生產總值的單整性 。 經過試算 ， 發(fā)現 中國人均國內生產總值GDPPC是 2階單整的 ， 適當的檢驗模型為： 123 ????? tt G D P P CG D P P C （ 2 . 1 7 ） 2R= 0 . 2 7 7 8 ， L M ( 1 ) = 0 . 3 1 L M ( 2 ) = 0 . 5 4 同樣地 ， CPC也是 2階單整的 ， 適當的檢驗模型為： 123 ????? tt C P CC P C （ 2 . 0 8 ） 2R= 0 . 2 5 1 5 L M ( 1 ) = 1 . 9 9 L M ( 2 ) = 2 . 3 6 ⒉ 趨勢平穩(wěn)與差分平穩(wěn)隨機過程 前文已指出 ， 一些非平穩(wěn)的經濟時間序列往往表現出共同的變化趨勢 ， 而這些序列間本身不一定有直接的關聯關系 ， 這時對這些數據進行回歸 ， 盡管有較高的 R2， 但其結果是沒有任何實際意義的 。 這種現象我們稱之為 虛假回歸 或 偽回歸 （ spurious regression） 。 如：用中國的勞動力時間序列數據與美國 GDP時間序列作回歸 ， 會得到較高的 R2 ，但不能認為兩者有直接的關聯關系 ， 而只不過它們有共同的趨勢罷了 ， 這種回歸結果我們認為是虛假的 。 為了避免這種虛假回歸的產生 ， 通常的做法是引入作為趨勢變量的時間 ， 這樣包含有時間趨勢變量的回歸 ， 可以消除這種趨勢性的影響 。 然而這種做法 ， 只有當趨勢性變量是 確定 性 的 （ deterministic ） 而非 隨 機 性 的（ stochastic） ， 才會是有效的 。 換言之 ， 如果一個包含有某種確定性趨勢的非平穩(wěn)時間序列 ， 可以通過引入表示這一確定性趨勢的趨勢變量 ， 而將確定性趨勢分離出來 。 1)如果 ?=1， ?=0， 則 （ *） 式成為 一帶位移的隨機游走過程 ： Xt=?+Xt1+?t （ **） 根據 ?的正負 ， Xt表現出明顯的上升或下降趨勢 。 這種趨勢稱為 隨機性趨勢 （ stochastic trend） 。 考慮如下的含有一階自回歸的隨機過程： Xt=?+?t+?Xt1+?t （ *） 其中 :?t是一白噪聲 ， t為一時間趨勢 。 2)如果 ?=0， ??0， 則 （ *） 式成為一帶時間趨勢的隨機變化過程： Xt=?+?t+?t （ ***） 根據 ?的正負 ， Xt表現出明顯的上升或下降趨勢 。 這 種 趨 勢 稱 為 確 定 性 趨 勢（ deterministic trend） 。 3) 如果 ?=1， ??0，則 Xt包含有 確定性與隨機性兩種趨勢。 判斷一個非平穩(wěn)的時間序列 ， 它的趨勢是隨機性的還是確定性的 ， 可通過 ADF檢驗中所用的第 3個模型進行 。 該模型中已引入了表示確定性趨勢的時間變量 t， 即分離出了確定性趨勢的影響 。 因此 ： (1)如果檢驗結果表明所給時間序列有單位根，且時間變量前的參數顯著為零，則該序列顯示出隨機性趨勢 。 (2)如果沒有單位根，且時間變量前的參數顯著地異于零，則該序列顯示出確定性趨勢。 隨機性趨勢可通過差分的方法消除 例如：對式： Xt=?+Xt1+?t 可通過差分變換為： ?Xt= ?+?t 該時間序列稱為 差分平穩(wěn)過程（ difference stationary process） ； 確定性趨勢無法通過差分的方法消除，而只能通過除去趨勢項消除 例如：對式： Xt=?+?t+?t 可通過除去 ?t變換為： Xt － ?t =?+?t 該時間序列是平穩(wěn)的，因此稱為 趨勢平穩(wěn)過程（ trend stationary process）。 最后需要說明的是， 趨勢平穩(wěn)過程代表了一個時間序列長期穩(wěn)定的變化過程，因而用于進行長期預測則是更為可靠的。 167。 隨機時間序列分析模型 一、 時間序列模型的基本概念及其適用性 二、 隨機時間序列模型的平穩(wěn)性條件 三、 隨機時間序列模型的識別 四、 隨機時間序列模型的估計 五、 隨機時間序列模型的檢驗 說明 ? 經典計量經濟學模型與時間序列模型 ? 確定性時間序列模型與隨機性時間序列模型 一、時間序列模型的基本概念及其適用性 時間序列模型的基本概念 ? 隨機時間序列模型 （ time series modeling）是指僅用它的過去值及隨機擾動項所建立起來的模型 ， 其一般形式為 : Xt=F(Xt1, Xt2, … , ?t) ? 建立具體的時間序列模型 ， 需解決如下三個問題： (1)模型的具體形式 (2)時序變量的滯后期 (3)隨機擾動項的結構 例如 ， 取線性方程 、 一期滯后以及白噪聲隨機擾動項 （ ?t =?t） ， 模型將是一個 1階自回歸過程 AR(1)： Xt=?Xt1+ ?t， 這里 ， ?t特指 一白噪聲 。 ? 一般的 p階自回歸過程 AR(p)是 Xt=?1Xt1+ ?2Xt2 + … + ?pXtp + ?t (*) (1)如果隨機擾動項是一個白噪聲 (?t=?t)，則稱 (*)式為一 純 AR(p)過程 （ pure AR(p) process） ， 記為 : Xt=?1Xt1+ ?2Xt2 + … + ?pXtp +?t (2)如果 ?t不是一個白噪聲，通常認為它是一個 q階的 移動平均（ moving average）過程MA(q)： ?t=?t ?1?t1 ?2?t2 ? ?q?tq 該式給出了一個純 MA(q)過程（ pure MA(p) process） 。 ? 將純 AR(p)與純 MA(q)結合，得到一個一般的 自回歸移動平均（ autoregressive moving average）過程 ARMA（ p,q） ： Xt=?1Xt1+ ?2Xt2 + … + ?pXtp + ?t ?1?t1 ?2?t2 ? ?q?tq 該式表明： （ 1） 一個隨機時間序列可以通過一個自回歸移動平均過程生成 ， 即該序列可以由其自身的過去或滯后值以及隨機擾動項來解釋 。 （ 2）如果該序列是平穩(wěn)的 ， 即它的行為并不會隨著時間的推移而變化， 那么我們就可以通過該序列過去的行為來預測未來。 這也正是隨機時間序列分析模型的優(yōu)勢所在。 ? 經典回歸模型的問題： 迄今為止 ， 對一個時間序列 Xt的變動進行解釋或預測 ， 是通過某個單方程回歸模型或聯立方程回歸模型進行的 ， 由于它們以因果關系為基礎 ， 且具有一定的模型結構 ， 因此也常稱為 結構式模型 （ structural model） 。 時間序列分析模型的適用性 然而 ， 如果 Xt波動的主要原因可能是我們無法解釋的因素 ， 如氣候 、 消費者偏好的變化等 ， 則利用結構式模型來解釋 Xt的變動就比較困難或不可能 ， 因為要取得相應的量化數據 ，并建立令人滿意的回歸模型是很困難的 。 有時 ， 即使能估計出一個較為滿意的因果關系回歸方程 ， 但由于對某些解釋變量未來值的預測本身就非常困難 ， 甚至比預測被解釋變量的未來值更困難 ， 這時因果關系的回歸模型及其預測技術就不適用了 。