tutGDP???t01e
线性化的趋势模型形式为
lnGDP（ln?1）t?ut，即 lnGDPt??0??1t?ut t?ln?0?利用OLS估计，并消除误差项自相关（自相关问题见第十章），输出结果如下：
表9-2 EViews输出结果
Dependent Variable: LNGDP
Variable Coefficient Std. Error t-Statistic Prob. C 8.070429 0.014908 541.3508 0.0000 T 0.094207 0.000778 121.0628 0.0000 AR(1) 1.281566 0.131144 9.772179 0.0000 AR(2) -0.73314 0.128869 -5.689080 0.0000 R-squared 0.999647 Mean dependent var 9.718339
Adjusted R-squared 0.999606 S.D. dependent var 0.833467
-5.24254
S.E. of regression 0.016540 Akaike info criterion 6
-5.05572
Sum squared resid 0.007113 Schwarz criterion 0
Log likelihood 82.63820 F-statistic Durbin-Watson stat 2.013367 Prob(F-statistic)
Inverted AR Roots .64-.57i .64+.57i 可见，消除误差项自相关后，回归方程为
24538.49 0.000000
?lnGDP?8.070?0.094t
回归结果说明，样本内我国实际GDP年均增长率为0.094，即9.4%。 〔用水平法计算的GDP年均增长率为3165422/3645.2?1?0.098?9.8%〕 二、季节变动模型
与横截面数据相比，时间序列往往受到季节变动的影响。所谓季节变动是指经济变量因受自然因素或社会经济因素影响，从而形成的有规律的周期
性变动。
这里的“季节”一词是广义的，泛指任何一种有规律的、按一定周期（如季、月、旬、周、日）重复出现的变化。
如果忽视其季节因素，回归中就会犯遗漏变量的错误，影响参数估计的无偏性和一致性。根据回归分析的目的不同，对含有季节变动的数据有不同的处理方法：
1.季节差分。如季度数据和月度数据分别采用4阶和12阶差分。 2. 季节修匀。即通过移动平均、指数平滑等方法，去除时间序列中的周期性变化。
3.引入季节虚拟变量。
[例9-2] 某企业最近6年的商品销售额的季度数据表9-3。试用虚拟变量
方法建立季节波动模型。
表9-3 某企业商品销售额的季度数据
年份 2006 季度 1 2 3 4 1 2 3 4 1 2 3 4 yt1132.633 1298.058 1207.310 1116.035 1580.591 1797.940 1709.866 1650.171 1856.484 2062.624 2022.310 2090.456 t 1 2 3 4 5 6 7 8 9 10 11 12 D2t0 1 0 0 0 1 0 0 0 1 0 0 D3t0 0 1 0 0 0 1 0 0 0 1 0 D4t0 0 0 1 0 0 0 1 0 0 0 1 2007 2008
计量经济学第九章 时间序列结构模型课件汇总
