用于学习虚假时间序列回归的资源


10

我经常听到“虚假回归”(在时间序列中)和诸如单位根测试之类的相关术语,但从未理解。

为什么/何时会发生?(我相信这是两个时间序列进行协整的时候,即两者的某种线性组合是固定的,但是我不明白为什么协整会导致虚假。)如何避免这种情况?

我正在寻找对协整/单位根检验/ Granger因果关系与虚假回归有什么关系的高级理解(我记得其中三个是与虚假回归相关联的术语,但我不记得到底是什么),因此,无论是自定义响应还是指向我可以了解更多信息的引用的链接,都很棒。

Answers:


11

创建这些概念是为了处理非平稳序列之间的回归(例如相关性)。

克莱夫·格兰杰(Clive Granger)是您应该阅读的主要作者。

分两步介绍了协整:

1 / Granger,C.和P. Newbold(1974):“计量经济学的虚假回归”,

在本文中,作者指出,非平稳变量之间的回归应作为变量变化(或对数变化)之间的回归进行。否则,您可能会发现没有任何实际意义的高度相关性。(=虚假回归)

2 / Engle,Robert F.,Granger,Clive WJ(1987)“协整和纠错:表示,估计和测试”,《计量经济学》,55(2),251-276。

在本文中(格兰杰为此在2003年获得了诺贝尔陪审团的嘉奖),作者走得更远,并介绍了协整方法,以研究可存在于两个非平稳变量之间的错误校正模型。
基本上,1974年关于回归时间序列变化的建议可能会导致未指定的回归模型。实际上,您可以拥有变量的更改不相关但通过“纠错模型”连接的变量。

因此,您可以在不进行协整的情况下进行关联,也可以在不进行协整的情况下进行协整。两者是互补的。

如果只有一篇文章可供阅读,我建议您从这篇文章开始,这是一个很好的介绍。

(Murray 1993)醉与狗


恩格尔和格兰杰一起获得了相同的奖励。我怀疑诺贝尔陪审团是否特别排除了恩格尔对协整分析的贡献,因此可以肯定地说这篇文章对他们俩(不仅是格兰杰)都有帮助。
理查德·哈迪

12

让我们从虚假回归开始。想象一下两个由主要时间趋势驱动的系列:例如美国人口和美国的消费量(无论您考虑什么项目,无论是苏打水,甘草还是天然气)。由于共同的时间趋势,两个系列都将增长。现在将总消耗量回归总人口规模和总储量,您非常适合。(我们也可以在R中快速进行模拟。)

但这没有任何意义。没有关系(正如我们建模者所知道的),但是线性模型认为是合适的(在最小平方和的意义上),因为这两个系列都在没有因果关系的情况下都呈上升趋势。我们成为虚假回归的受害者。

可以或应该建模的是一个系列的变化,另一个系列的变化,或者人均消费的变化,或者……所有这些变化使变量保持平稳,这有助于缓解问题。

现在,在30,000英尺的高度,单位根和协整度通过提供严格的统计基础(Econometrica出版物和Nobel并不容易获得)来如果没有)。

至于资源充足的问题:这很棘手。我已经读了几十本时间序列书,其中大多数精通数学,但直觉却落伍了。时间序列没有肯尼迪的计量经济学文本。也许Walter Enders文字最接近。我会尝试考虑更多并在此处进行更新。

除了书籍以外,实际执行此操作的软件很重要,R具有您所需要的。价格也是正确的。


0

如果序列是非平稳的,则称其具有单位根。例如,当您将两个非平稳过程集成为阶1(I(1)系列)时,您会发现这些过程的线性组合为I(0),那么您的序列将被协整。这意味着它们以某种相似的方式进化。这个频道对时间序列,协整等都有很好的见解,因此https://www.youtube.com/watch?v=vvTKjm94Ars 至于书籍,我非常喜欢Davidson&MacKinnon的“计量经济学理论与方法”。


1
感谢您提供答案。不过,我看不到任何有关虚假回归的问题。您能详细说明一下连接吗?
ub

“我正在寻找对协整/单位根检验/ Granger因果关系与虚假回归(...)有什么关系的高层次理解,因此自定义响应或指向可以学到更多信息的参考文献的链接都将非常有用。” 我目前也在研究虚假回归,我相信上面给出的答案比我能提供的要好。但是我认为分享一些对我有帮助的参考文献可能会引起人们的兴趣……
arroba
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.