经济预测与决策（第2版）课件

1第七章其它预测方法

一、PanelData模型预测（一）模型的基本问题

为了能够充分揭示不同截面单位随时间的变化，可以将截面数据和时序数据结合，运用PanelData模型进行分析。Panel数据是截面数据与时序数据的结合，即不同个体在不同时间上观测的数据，或者说，随时间变化观测同一总体中不同个体的数据。

2数据的特点回归模型截面数据：研究不同个体之间的关系和规律时序模型时间数据：研究同一个体不同时间变化规律

实际数据不满足回归的要求实际数据时间过短

(二)模型的基本类型

1.基本形式

其中，…

），为外生变量向量，

…

），为参数向量，K是外生变量个数，T是时期总数．随机扰动项uit相互独立，且满足零均值、等方差．

模型类型

固定效应模型

随机效应模型模型中Ci是随机的，称为随机效应。它反映除了能够用共同的变量X能够解释的Y的变化外，不同个体之间还有的差异。如果这些差异不提取出来，随机干扰项将不是独立同分布的。这些差异虽然无法直接观测但客观存在，只能用随机效应表示，相当于在模型中引入一个不可直接观测的潜变量。

5（三）固定效应模型截面单位是总体的所有单位，则固定效应模型是一个合理的模型。通常，仅就样本进行分析，不涉及以样本推断总体时，可以使用固定效应模型。

61.基本形式

i=1,…,Nt=1,…,T

表示所有截面单位在所有时间上的均值，即总平均值;

表示不同截面单位截距与总平均的差异，称为截面效应；

是不同时间截距与总平均的差异，称为时间效应；2.类型截距和斜率是否变化

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.模型形式的检验

上述模型哪个适用，可以通过建立在最小二乘估计基础上的残差，构造F检验统计量加以判断。模型形式检验的基础是各模型的残差平方和，先从最简单的模型A开始，依次检验，一直检验到不能拒绝该类模型为止。10

4.参数估计最小二乘法

-最小二乘虚拟变量估计(LSDV)

广义最小二乘法(GLS)

两阶段最小二乘法（TSLS）

广义矩估计（GMM）11

5.模型检验参数检验合理性显著性残差检验独立性同方差性

固定效应的LR检验

固定效应的LR检验是对选用的固定效应模型是否适合进行的检验。12固定效应是否多余的检验：国定效应是多余的：固定效应不是多余的统计量是通过两个模型系数估计结果的差异构建其中，R是带限制条件，

UR是不带限制条件

m是自由度即限制的参数的个数

例7.113二、神经网络预测神经网络预测的基本原理

神经网络（neuralnetwork）是以计算机网络系统模拟生物神经网络的智能计算系统。网络上的每个结点相当于一个神经元，可以记忆（存储）、处理一定的信息，并与其他结点并行工作。

求解一个问题是向人工神网络的某些结点输入信息，各结点处理后向其他结点输出，其他结点接受并处理后再输出，直到整个神经网工作完毕，输出最后结果。1415

2.神经网络的预测方式

神经网络模拟人类的大脑结构和思维方式，对数据变量之间的关系进行可靠的近似。每一层包含若干个神经元，通过层与层之间的神经元连接，构成一个完整的多层前馈网络结构。

常用的BP神经网络结构分为三层：输入层、中间层（或隐藏层）、输出层，每一层包含若干个神经元，通过层与层之间的神经元连接，构成一个完整的多层前馈网络结构。16

假设一个神经元接收𝐷

个输入

，一个典型的神经元结构如图其中，D是输入变量的个数，从外界接受到的输入被量化为

，相应的权重系数为1表示有截距项，b为权重；一个神经元的净输入为所获得的输入信息的加权和。

17若记z为一个神经元的净输入，则上图中有

净输入z经过激活函数f的作用得到神经元的活性值（Activation）a，形成最终的输出。18一个有一个隐藏层的神经网络如图其中，一个神经元的输出是另一个神经元的输入，+1项表示的是偏置项，即常数项。L1层称为输入层，L2层称为隐藏层，L3层称为输出层。19

输入层神经元的数目与解释变量数目相同；输出层神经元数目与被解释变量数目相同；中间层可以包含任意多层数以及每一层可以包含任意数目的神经元，实际应用中