序列相关性(自相关).ppt

第六章 序列相关性(自相关) 序列相关的概念 序列相关产生的原因 序列相关性的后果 序列相关性的识别 序列相关性的修正 多元回归建模过程 一、序列相关的概念 序列相关的含义 在古典线性回归模型中，我们假定随机误差项序列的各项之间独立，即Cov(?i,?j)=E(?i?j)=0。 任一次观测的干扰项都不受任何其他观测的干扰项影响 例：上月某个特殊事件对家庭消费支出产生的影响不会波及到本月的消费支出。 如果上述假定不满足，则称之为序列相关，即： Cov(?i,?j)=E(?i?j) ≠0 称为一阶序列相关，或自相关（autocorrelation） 二、序列相关产生的原因 惯性：如GNP、价格指数、生产、失业等时间序列都呈现商业循环，相继的观测值很可能是相依赖的。 设定偏误：不正确的函数形式或应含而未含变量都会使干扰中观察到序列相关性。 序列相关产生的原因（续） 蛛网现象：许多农产品的供给表现出一种所谓的蛛网现象 例如供给对价格的反应要滞后一个时期，即今年作物的种植量是受去年流行的价格影响的，因此，相关的函数形式是： 2、变量的显著性检验失去意义 在变量的显著性检验中，统计量是建立在参数方差正确估计基础之上的，这只有当随机误差项具有同方差性和无序列相关时才能成立。 3、模型的预测失效 区间预测与参数估计量的方差有关，在方差有偏误的情况下，使得预测估计不准确，预测精度降低。 所以，当模型出现序列相关性时，它的预测功能失效。 四、序列相关性的检验 然后，通过分析这些“近似估计量”之间的相关性，以判断随机误差项是否具有序列相关性。 1。图解法： 时间序列图（Time Sequence plot):将残差对时间描点。如图（a）所示，扰动项的估计值呈循环形，并不频繁地改变符号，而是相继若干个正的以后跟着几个负的，表明存在正自相关。 将et对et-1描点图，如图（b）所示。 2、杜宾-瓦森（Durbin-Watson）检验法 D-W检验是杜宾（J.Durbin）和瓦森(G.S. Watson)于1951年提出的一种检验序列自相关的方法，该方法的假定条件是： 当D.W.值在2左右时，模型不存在一阶自相关。 3、回归检验法 4、高阶自相关的BG检验 五、序列相关的修正 自相关结构已知时的修正——广义差分法 ?未知时序列相关的修正 应用广义差分法，必须已知随机误差项的相关系数?1, ?2, … , ?p 。 实际上，人们并不知道它们的具体数值，所以必须首先对它们进行估计。 （1）用DW统计量估计? （2）科克伦-奥克特两步法 做原模型的OLS估计，得到残差et 做回归： 估计? 用 作广义差分方程的回归，求回归系数。 （3）德宾两步法 将广义差分方程写为： 将上式看作一复回归模型，求Yt对Xt，Xt-1和Yt-1的回归，并把对Yt-1的回归系数的估计值（ ）看作对?的一个估计。虽然这个估计值有偏误，它却是?的一个一致性估计。 求得 后，把变量换为 对转换变量形成的广义差分方程做OLS估计。 虚假序列相关问题 由于随机项的序列相关往往是在模型设定中遗漏了重要的解释变量或对模型的函数形式设定有误，这种情形可称为虚假序列相关(false autocorrelation) ，应在模型设定中排除。 避免产生虚假序列相关性的措施是在开始时建立一个“一般”的模型，然后逐渐剔除确实不显著的变量。 例1 美国零工招聘指数与失业率 数据如表。回归模型设为： 其中：HWI:零工招聘指数，U:失业率 例2我国1980-2001年发电量与GDP 六、案例：中国商品进口模型 1. 通过OLS法建立如下中国商品进口方程： BG检验 则M*关于GDP*的OLS估计结果为： （2）采用科克伦-奥科特迭代法估计? 单方程小结 多元回归模型 多元回归模型描述了被解释变量与诸解释变量的依赖关系 偏回归系数?i表示其它解释变量不变的条件下，第i个解释变量变化对被解释变量的 “净” 影响。 偏回归系数的估计方法：最小二乘估计 当经典假设满足时，OLS估计量为最优线性无偏估计量 多元回归模型的建模过程 明确所研究的问题，确定因变量 通过定性分析，找到导致因变量变化的主要影响因素，作为解释变量 收集数据，整理数据，数据的初步分析 分析因变量与各解释变量间关系的性质，确定模型的函数形式 建立计量模型，确定各偏回归系数的先验符号 多元回归模型的建模过程（续） 用OLS估计模型的参数，并作各种检验 经济意义检验：各偏回归系数的符号是否与预期一致 经典假设检验：多重共线、异方差、序列相关 如果