經(jīng)濟預測與決策（第2版）課件

1第七章其它預測方法

一、PanelData模型預測（一）模型的基本問題

為了能夠充分揭示不同截面單位隨時間的變化，可以將截面數(shù)據(jù)和時序數(shù)據(jù)結(jié)合，運用PanelData模型進行分析。Panel數(shù)據(jù)是截面數(shù)據(jù)與時序數(shù)據(jù)的結(jié)合，即不同個體在不同時間上觀測的數(shù)據(jù)，或者說，隨時間變化觀測同一總體中不同個體的數(shù)據(jù)。

2數(shù)據(jù)的特點回歸模型截面數(shù)據(jù)：研究不同個體之間的關系和規(guī)律時序模型時間數(shù)據(jù)：研究同一個體不同時間變化規(guī)律

實際數(shù)據(jù)不滿足回歸的要求實際數(shù)據(jù)時間過短

(二)模型的基本類型

1.基本形式

其中，…

），為外生變量向量，

…

），為參數(shù)向量，K是外生變量個數(shù)，T是時期總數(shù)．隨機擾動項uit相互獨立，且滿足零均值、等方差．

模型類型

固定效應模型

隨機效應模型模型中Ci是隨機的，稱為隨機效應。它反映除了能夠用共同的變量X能夠解釋的Y的變化外，不同個體之間還有的差異。如果這些差異不提取出來，隨機干擾項將不是獨立同分布的。這些差異雖然無法直接觀測但客觀存在，只能用隨機效應表示，相當于在模型中引入一個不可直接觀測的潛變量。

5（三）固定效應模型截面單位是總體的所有單位，則固定效應模型是一個合理的模型。通常，僅就樣本進行分析，不涉及以樣本推斷總體時，可以使用固定效應模型。

61.基本形式

i=1,…,Nt=1,…,T

表示所有截面單位在所有時間上的均值，即總平均值;

表示不同截面單位截距與總平均的差異，稱為截面效應；

是不同時間截距與總平均的差異，稱為時間效應；2.類型截距和斜率是否變化

7A.斜率相同且截距相同

B.斜率相同但截距不同

8C.截距相同但斜率不同

D.斜率和截距都不同

9

3.模型形式的檢驗

上述模型哪個適用，可以通過建立在最小二乘估計基礎上的殘差，構造F檢驗統(tǒng)計量加以判斷。模型形式檢驗的基礎是各模型的殘差平方和，先從最簡單的模型A開始，依次檢驗，一直檢驗到不能拒絕該類模型為止。10

4.參數(shù)估計最小二乘法

-最小二乘虛擬變量估計(LSDV)

廣義最小二乘法(GLS)

兩階段最小二乘法（TSLS）

廣義矩估計（GMM）11

5.模型檢驗參數(shù)檢驗合理性顯著性殘差檢驗獨立性同方差性

固定效應的LR檢驗

固定效應的LR檢驗是對選用的固定效應模型是否適合進行的檢驗。12固定效應是否多余的檢驗：國定效應是多余的：固定效應不是多余的統(tǒng)計量是通過兩個模型系數(shù)估計結(jié)果的差異構建其中，R是帶限制條件，

UR是不帶限制條件

m是自由度即限制的參數(shù)的個數(shù)

例7.113二、神經(jīng)網(wǎng)絡預測神經(jīng)網(wǎng)絡預測的基本原理

神經(jīng)網(wǎng)絡（neuralnetwork）是以計算機網(wǎng)絡系統(tǒng)模擬生物神經(jīng)網(wǎng)絡的智能計算系統(tǒng)。網(wǎng)絡上的每個結(jié)點相當于一個神經(jīng)元，可以記憶（存儲）、處理一定的信息，并與其他結(jié)點并行工作。

求解一個問題是向人工神網(wǎng)絡的某些結(jié)點輸入信息，各結(jié)點處理后向其他結(jié)點輸出，其他結(jié)點接受并處理后再輸出，直到整個神經(jīng)網(wǎng)工作完畢，輸出最后結(jié)果。1415

2.神經(jīng)網(wǎng)絡的預測方式

神經(jīng)網(wǎng)絡模擬人類的大腦結(jié)構和思維方式，對數(shù)據(jù)變量之間的關系進行可靠的近似。每一層包含若干個神經(jīng)元，通過層與層之間的神經(jīng)元連接，構成一個完整的多層前饋網(wǎng)絡結(jié)構。

常用的BP神經(jīng)網(wǎng)絡結(jié)構分為三層：輸入層、中間層（或隱藏層）、輸出層，每一層包含若干個神經(jīng)元，通過層與層之間的神經(jīng)元連接，構成一個完整的多層前饋網(wǎng)絡結(jié)構。16

假設一個神經(jīng)元接收??

個輸入

，一個典型的神經(jīng)元結(jié)構如圖其中，D是輸入變量的個數(shù)，從外界接受到的輸入被量化為

，相應的權重系數(shù)為1表示有截距項，b為權重；一個神經(jīng)元的凈輸入為所獲得的輸入信息的加權和。

17若記z為一個神經(jīng)元的凈輸入，則上圖中有

凈輸入z經(jīng)過激活函數(shù)f的作用得到神經(jīng)元的活性值（Activation）a，形成最終的輸出。18一個有一個隱藏層的神經(jīng)網(wǎng)絡如圖其中，一個神經(jīng)元的輸出是另一個神經(jīng)元的輸入，+1項表示的是偏置項，即常數(shù)項。L1層稱為輸入層，L2層稱為隱藏層，L3層稱為輸出層。19

輸入層神經(jīng)元的數(shù)目與解釋變量數(shù)目相同；輸出層神經(jīng)元數(shù)目與被解釋變量數(shù)目相同；中間層可以包含任意多層數(shù)以及每一層可以包含任意數(shù)目的神經(jīng)元，實際應用中