Wooldridge 計量經濟學 前言

•時 間 序 列 與 橫 斷 面 資 料 的 基 本 不 同 之
第十章 處，在於前者具有跨時間的順序性
時間序列之迴歸 •因此，隨機抽樣在時間序列分析裏並不
是合理的假設，我們必須作修正
•隨機過程(stochastic process)：以時間為
標記的一系列隨機變數
莊益源‧中正財金
2

時間序列模型之例
•時間序列樣本的取得，稱為隨機過程的
•靜態模型：yt = 0 + 1xt + ut
一個實現值(realization)
•動態模型：包括變數的落後期
•若過去歷史中的一些條件不同，在隨機
•有限分配落遲(finite distributed lag, FDL)模
過程中會得到不同的實現 型：包括自變數落後期
•一時間序列隨機過程所有可能實現的集 yt = 0 + 
0xt + 
1xt1 +…+ 
qxtq + ut
合即扮演橫斷面分析中的母體 •xth 的參數h 衡量x一單位的改變，在經過h
期後對於y的影響

3 4

分配落遲模型 嚴格外生假設
•衝擊傾向(impact propensity)：0 E(ut|x) = 0, t = 1, 2,…, n
受到衝擊後，y立即的改變

•此假設表示任何時間的誤差項與任何期
•長期傾向(long-run propensity)： 0 + 1
的自變數無關
+…+ 
q
假設x永久改變一單位，下一期y的改變為 •此 假 設 成 立 時 ， 自 變 數 稱 為 嚴 格 外 生
0 + 
( 1)，再過一期y的改變為( 0 + 
1+ 
2) (strictly exogenous)
等等
•證明OLS估計式的不偏性，我們需要這
因此，( 0 + 
1 +…+ 
q)表示遭受永久衝擊
後，y的長期改變 個假設
5 6
•在橫斷面分析分析中我們沒有類似的假
設，主要原因是隨機抽樣(MLR#2)使得 • 違反嚴格外生假設之主要原因：
ui與解釋變數裏非i的其他觀測值獨立 1) 遺漏變數
•另 一 個 與 橫 斷 面 分 析 較 相 似 的 假 設 為 2) 衡量誤差
E(ut|xt) = 0 3) 回饋現象：
•這個(較弱的)假設成立時，自變數稱為同  y(或u)影響到未來的x
期外生(contemporaneously exogenous)  x反應y的過去值

•證明OLS估計式的一致性，此假設就足
夠
7 8

•例：考慮 yt = 0 + 1xt + ut ，則依據嚴格

外生的假設： •例：假設x對y有落遲的影響，必須考慮落
遲模型，加入xt-1, xt-2,…等來控制
不應有遺漏變數
無衡量誤差的問題 •例：y為產量，自變數為降雨量，則此解釋
ut必須與x當期、過去、未來無關 變數不受到當期或過去產量的影響，是嚴
格外生變數
x不能反應y的過去值

9 10

•例：若自變數為勞動投入量，則很明顯的
時間序列迴歸假設
此變數不是嚴格外生。嚴格外生的其中一 •TS#1：參數是線性的
個特徵是x必須對y的過去沒有反應
yt = 0 + 1xt1 + …+ kxtk + ut
•例：mrdrtet = 0 + 1polpct + ut •TS#2：不存在完全共線性
假設依謀殺率來調整警力，即polpct+1與ut •TS#3：條件平均數為0
有關(高的ut 導致高的mrdrtet)，則存在回 E(ut|x) = 0, t = 1, 2,…, n
饋的現象。嚴格外生的自變數不允許回饋
的現象
定理：依據TS#1~TS#3，OLS估計式是
不偏的
11 12
 •TS#3、TS#5是與橫斷面迴歸不同之處
•TS#4：如同橫斷面資料的情況，我們需要
同質性的假設，以便推導估計式的變異數 •隨機抽樣的假設可導致u是獨立的，同時
ui也與解釋變數裏非i的觀測值獨立
Var(ut|x) = Var(ut) = 2 •不過，時間序列假設中並不包括隨機抽
樣的假設。因為這對時間序列而言並不
•TS#5：我們也需要無序列相關的假設 恰當
•嚴格外生的假設事實上包括了ui是與其它
Corr(ut, us|x) = 0 for t s 變數獨立的情況；但是我們仍然需要
TS#5
13 14

•高斯馬可夫假設：TS#1 ~ TS#5 •TS#6：假設ut為常態分配

•在高斯馬可夫假設下，OLS估計式的變異
數為：
2 定 理 ： 在 時 間 序 列 的 CLM 假 設 下
ˆ) 
Var(j
SSTj (1 R 2j ) (TS#1~TS#6) ， OLS估 計 式 為 常 態 分
配。並且在虛無假設下，每一個t統計
量均為t分配，且每一個F統計量為F分
定 理 ： 在 高 斯 馬 可 夫 假 設 下 ， OLS 是 配
BLUE

15 16

•線性趨勢
趨勢項
•財經時間序列通常具有隨時間而成長的傾
100

向，稱為趨勢(trend)
80

•線性趨勢(linear trend)：
yt = 0 + 1t + et, t = 1, 2,…
60

•指數趨勢(exponential trend)：
40

log(yt) = 0 + 1t + et, t = 1, 2,…

20

•二階趨勢(quadratic trend)
yt = 0 + 1t + 2t2 + et, t = 1, 2,…
0

0 20 40 60 80 100

17 18
 •指數趨勢 •二階趨勢

100
5000

80
4000

60
3000

40
2000
1000

20
0
0

0 20 40 60 80 100 0 20 40 60 80 100

19 20

趨勢移除
•例 ： 考 慮 一 模 型 包 括 兩 個 可 觀 察 的 因
素，及一個不可觀察的因素，但會系統
•在迴歸裏加入趨勢項就如同將趨勢移除
(detrended)
性的隨時間成長或縮減，則可行的模型
•此時迴歸所得到的殘差項就是趨勢移除
為：yt = 0 + 1xt1 + 2xt2 + 3t + ut 後的序列
•換句話說，序列的趨勢部份被控制了
•若此模型符合TS#1~TS#3，則遺漏趨勢 •當具有趨勢項時，時間序列迴歸的R2 通
項會造成1與 2的偏誤 常很高
•如果能將趨勢移除再跑迴歸，比較可以
看出x解釋y的程度
21 22

季節性
•例：以元月為基準月的虛擬變數
•季節性：以週、月、季記錄的時間序列資
料通常具有週期性 yt = 0 + 
1febt + 
2mart + 
3aprt
•有季節性的資料在匯報給大眾使用之前通 + …+ 1xt1 + …+ kxtk + ut
常做過季節調整(seasonally adjusted)的 •0 表示一月的截距
程序 •檢定是否具有季節性，H0: 
1= 
2 = …= 
11
•季節性可以利用虛擬變數來處理，這也可 = 0，以F統計量來檢定
以 解 釋 為 對 資 料 進 行 季 節 移 除
(deseasonalizing)
23 24