时间序列应变量的滞后一期与ARMA(1,1)有什么区别?

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

老师您好!!冒昧再继续请教:

回归方程是: y x1 x2 x3 x4 x4(-1) x4(-2) y(-1) ar(1) ma(1)

其中y 是被解释变量.

我有些疑惑的是上面的这个回归方程里面的解释变量既有y(-1) 同时又有ar(1) ma(1), 这样是否重复了呢?

因为在我的理解里面,上面这个方程是arma(1,1)模型, 而本身arma(1,1)模型里面就是包含了这个y(-1)了的,是不是模型要变成arma(2,1)呢?


注: y(-1)是y的滞后一期.x4(-1) x4(-2)分别是x4的滞后一期,滞后两期.

另外,我刚刚做了试验,发现

y x1 x2 x3 x4 x4(-1) x4(-2) y(-1) ar(1) ma(1)

y x1 x2 x3 x4 x4(-1) x4(-2)  ar(2) ma(1)

的回归结果根本就不相同,就连调整后的R^2都要下降许多.

这样说来回归方程里面的解释变量的滞后项跟arma(1,1)中的ar(1)是两回事情,但是究竟它们是什么关系呢?

谢谢您!!

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：时间序列 ARMA ARM RMA 解释变量 时间 变量 序列 ARMA

这是两个不同的模型，一个是通常意义上的自回归模型，一个是对于残差项建立的自回归模型。

谢谢老师的回复.能不能再麻烦你说的详细点啊.呵呵,我是菜猫.不是完全明白.

y x1 x2 x3 x4 x4(-1) x4(-2) y(-1) ar(1) ma(1) 是个是通常意义上的自回归模型?
y x1 x2 x3 x4 x4(-1) x4(-2)  ar(2) ma(1)是对于残差项建立的自回归模型?

是这样的么? 在第一个回归方程里面加入被解释变量的滞后项就是通常意义的自回归模型?
第2个方程是对残差项建立的,为什么这么说呢?

谢谢啊!

第一个模型是一般的自回归分布滞后模型，和残差的自回归移动平均模型相结合
第二个是分布滞后模型和残差的自回归移动平均模型相结合

谢谢!!!你太强了.我这下明白了,也知道该找什么书去看了.

麻烦老师了,谢谢。

老师,请问 y x1 x2 x3 x4 x4(-1) x4(-2) y(-1) ar(1) ma(1) 这个回归模型我设置错了么?
有人说我错了,我还在看书中.请问老师如果错了，是错在哪里了呢?
连接在此.
http://www.pinggu.org/bbs/thread-804326-1-1.html
谢谢.

请教了那位网友，他说，
"您那个式子主要的问题，在於 autoregressive variables 与 serial autocorrelation 并存，
这使估计参数偏误且不一致。"

请问老师， autoregressive variables 与 serial autocorrelation 是不是不能并存的呢？哪本书有详细讲解的？
谢谢。

这个我还真没在哪本教材中见过。

谢谢老师的回复！！