时间序列数据的基本回归分析•主要借助OLS•时间序列数据具有某些横截面数据没有的特点，在应用OLS进行估计时需要对这些特点给予特别注意。时间序列数据的性质•区别于横截面数据的特点：–按照时间排列顺序•后一个时间的数据紧跟着前一个时间的数据。•在社会科学中，为了分析时间序列数据，我们必须确信过去可以影响未来，而不是相反的。–时间序列数据的随机性•横截面数据被视为随机结果是因为从总体中抽取不同的样本，因变量和自变量的取值通常不同。通过这些随机样本计算的OLS估计值通常也不一样，OLS统计量也是随机变量。•时间序列数据可以被视为随机的是因为时间序列数据变量的结果无法事先预料。标注有时间的一个随机变量序列被称作随机过程或时间序列过程，搜集到的一组时间序列数据被称作该随机过程的一个可能的结果或实现，如果过去的条件改变，我们可能会得到这个随机过程的另一种实现。时间序列随机过程的所有可能的实现的组合相当于横截面数据的总体。时间序列回归模型举例静态模型•时间序列回归模型举例有限分布滞后模型•自变量的暂时变化对因变量的动态影响•自变量的持久变化对因变量的动态影响•Q阶有限分布滞后模型•参数线性假定•零条件均值假定••导致TS.2无效的可能性•无完全多重共线性假定•假定TS.3（无完全多重共线性）在样本中（并因此也在潜在的时间序列过程中），没有任何自变量是恒定不变的，或者是其他自变量的一个完全的线性组合。–容许解释变量之间相关，但不容许样本中的完全相关。OLS的无偏性•同方差假定•无序列相关假定•OLS的样本方差••正态抽样分布•定理：在时间序列的CLM假定TS.1~TS.6下，给定X，OLS估计量遵循正态分布。而且，在虚拟假设下，每个t统计量服从t分布，F统计量呈F分布，通常构造置信区间的方法也是有效的。–意味着当CLM假定成立时，关于横截面回归的估计和推断的内容都可以直接用到时间序列回归中。（例子：利率的决定方程）–时间序列分析中的CLM假定比横截面分析中限制更多：严格外生性和无序列相关假定。函数形式•对数函数形式的分布滞后模型•虚拟自变量•事件研究•时间序列分析中交互项的经济含义••指数变量：–计量分析中使用指数变量时要注意把同一变量的不同基期的指数修改为一个统一的基期，例如工业产品指数和CPI等。–指数的大小不能提供特别多的信息，一般以对数形式出现，以便回归系数用百分比变化解释。•实际变量：–一般在计量分析中应该使用实际的经济...
