实验九 单方差模型预测.ppt

缺失项 如果预测样本中有数据丢失，对应的预测值将为NA。 对于存在缺失项的预测，如果是静态预测，则对预测没有很大影响；但对于动态预测而言，缺失项的存在将导致其后的所有值都为NA。 * 实验九 单方差模型预测 本章描述了对一个单方程进行预测或计算拟合值的过程。这里描述的技术是利用通过回归方法估计得到的方程来进行预测。 * §9 .1 EViews中的方程预测 为说明一个被估计方程的预测过程，我们从一个简单的例子开始。假设我们有1947:01—1995:01年美国国内生产总值（GDP）、消费（CS）和投资（INV。 我们运用1947:01—1995:01这段时期的数据，估计GDP对常数、CS和INV的回归，并用AR(1)修正残差序列相关，用该模型预测GDP。估计得到的方程结果由方程对象eq_gdp给出： * 一、如何进行预测 为预测该方程的GDP，在方程的工具栏中按Forecast按钮，或选择Procss/ Forecast …。这时会出现下表： * 我们应提供如下信息： 1、序列名 预测后的序列名 将所要预测的因变量名填入编辑框中。EViews默认了一个名字，但可以将它变为任意别的有效序列名。这个名字应不同于因变量名，因为预测过程会覆盖已给定的序列值。 S.E.（Optional） 如果需要，可以为该序列的预测标准差提供一个名字。如果省略该项，预测标准误差将不被保存。 GARCH（Optional） 对用ARCH估计的模型，还可以保存条件方差的预测值（GARCH项）。 * 2、预测方法 可以在如下方法中进行选择： 动态（Dynamic）— 从预测样本的第一期开始计算多步预测。 静态（Static）— 利用滞后因变量的实际值而不是预测值计算一步向前（one-step-ahead）预测的结果。 还可以做如下的选项： 结构（Structural）— 预测时EViews将忽略方程中的任何ARMA项。若不选此项，在方程中有ARMA项时，动态与静态方法都会对残差进行预测。但如果选择了Structural，所有预测都会忽略残差项而只对模型的结构部分进行预测。 样本区间（Sample range）— 必须指定用来做预测的样本。如果缺选，EViews将该样本置为工作文件样本。如果指定的样本超出估计方程所使用的样本区间（估计样本），那么会使EViews产生样本外预测。 注意：需要提供样本外预测期间的解释变量值。对静态预测，还必须提供滞后因变量的数值。 * 3、输出 可以选择以图表或数值，或者二者同时的形式来观察预测值。只有当预测样本中包含因变量的观测值时，才可以得到预测估计值。 假设在样本区间1947:01—1995:01间对eq_gdp进行动态预测。预测值放在序列GDPFD中，EViews将会显示预测曲线和加减两个标准差的带状域以及预测的估计值。 * 要对一个序列进行一步向前预测（静态预测），单击方程工具栏中的Forecast键，然后选择Static进行预测。EViews将显示预测结果为： * 一、预测误差与方差 假设真实的模型由下式给定： 这里 是独立同分布，均值为零的随机扰动项， 是未知参数向量。下面我们放松 是独立的限制。 生成y的真实模型我们尚不知道，但我们得到了未知参数 的估计值b。设误差项均值为零，可以得到y的预测方程： 该预测的误差为实际值与预测值之差 §9.2 预测基础 * 1．残差不确定 误差的第一种来源是由残差或新息(innovation) 的不确定引起的，因为方程中的新息 在整个预测区间未知，被设为它们的期望值。在残差期望值为零时，单个残差值非零；单个误差的方差越大，预测中的总体误差越大。 测量方差的标准方式是回归标准差（在输出方程中用“S.E.of regression”表示）。残差不确定通常是预测误差的主要来源。 在动态预测中，因为滞后因变量和由滞后随机变量构成的ARMA项的存在，使得新息不确定性更为复杂。EViews也将这些值设为它们的期望值，这与实际值有随机偏差。含有滞后因变量和ARMA项的预测在后面详细讨论。 * 2．系数不确定 预测误差的第二个来源是系数的不确定。方程中系数b的估计值是由随机情况下的真实系数β导出的。求出的回归方程中估计系数的标准差是用来衡量估计系数精确度的一个指标。 系数不确定的影响程度由外生变量决定。因为在计算预测值时，要用估计系数乘以外生变量X，外生