S7章 序列相关性.pptVIP

约束条件为 （7-27） 如果约束条件为真，则LM统计量服从大样本下自由度为p的渐近 分布： （7-28） 其中n?p和 分别为如下辅助回归方程的样本容量和可决系数： （7-29） (7-29)中的被解释变量 是对原模型（7-24）进行OLS回归后得到的残差。 p值即滞后的长度无法预先给定，因此实践操作中可从1阶、2阶… 逐次相更高阶检验，并用辅助回归方程（7-29）式中各个残差项前面的 参数的显著性来帮助判断序列相关的阶数。 LM检验的一个缺陷 例7-2 假定用32个样本做Y对X(包含截距)的回归 而这样的 数值对应的概率p为0.0003，这是一个很低的概率。 因此我们可以拒绝辅助回归方程中原始回归残差序列的全部1到5阶滞后 序列系数均为零的假设，至少有一个滞后残差序列的系数不为零。 这表明原始回归的残差中至少存在1到5阶中的某一滞后的自相关，当然 要确定到底是几阶序列相关还必须进一步进行4阶、3阶…等不同阶数的拉格 朗日乘子检验。 如果我们怀疑回归残差序列有5阶滞后相关，那么辅助回归方程中我们 可以用残差对X以及残差序列的1到5阶滞后序列进行回归，假定从辅助回归方 程中回归得到的拟合优度R2为0.8860。 由于原始回归中有32个样本，而辅助回归中用了5个滞后值，这样辅助 等于(32-5)×0.886即等于23.382。 回归方程中仅有27个样本，因此 第四节 序列相关的补救 由于序列相关出现时OLS估计量是非有效的，因此如果回归模型被证明 存在序列相关性，则应该发展新的方法来估计模型。类似于处理异方差的情 况，在大样本下我们也可以用与自相关相一致的OLS回归残差的方差协方差 矩阵来处理随机误差项的自相关情况，这样OLS估计也仍然是有效的，只是 我们需要报告相应的自相关稳健标准差和相应的统计量，其处理方法完全类 似于异方差稳健推断。详细介绍一般情况下处理序列相关最常用的广义最小二 乘法（GLS）和广义差分法。 一、广义最小二乘法 定义: 最具有普遍意义的最小二乘法. 普通最小二乘法和加权最小二乘法是它的特例。 一般情况下，对于模型 （7-30） 如果存在序列相关性，同时存在异方差，即有 显然， 是一对称矩阵，因此存在一可逆矩阵，使得 用 左乘（7-30）式两边，得到一个新的模型 （7-31） 即 该模型具有同方差性和随机干扰项相互独立性。因为 则 这就是原模型（7-30）式的广义最小二乘估计量，它是无偏有效的估计量。 于是，可以用普通最小二乘法估计模型（7-31）式，记参数估计量为 ， 由上面的推导过程可知，只要知道随机干扰项的方差-协方差矩阵 ， 就可以采用广义最小二乘法得到参数的最佳线性无偏估计量。 然而若只有n个样本点，要对包括各个 在内的 进行估计是困难的，在实践操作中，往往通过广义差分法来实现广义最小二乘估计。 +k+1个未知参数 二、广义差分法 广义差分法需要对随机干扰项自相关系数事先给出必要的假设， 可区分为两种情形：自相关系数已知和未知。 1）自相关系数已知时 由于干扰项 是不可观测的，关于序列相关的性质往往是一种猜测 遵循形如(7-4)式那样的一阶自回归方式， 或实际体验。实践中，常假定 （7-32） 即： （7-32）式中自回归系数和随机干扰项满足(7-4)的假定。若假定(7-32)是 为已知时，序列相关问题就可以圆满解决。 真实的，当自相关系数 为说明这一点，考虑以下多元回归模型为例： （7-33） 如果（7-33）在时刻t成立，则在时刻t-1也成立，因此有： （7-34） 用 乘（7-34）两边，得到： （7-35） （7-37） 其中， 由于 满足全部OLS假定，故可以直接对方程（7-37）进行OLS回归 得到具有BLUE性质的估计量。 将（7-36）式简写为 用（7-33）减去（7-35）得到 （7-36） 更一般地如果多元回归模型 （7-38） 中的随机干扰项存在p阶序列相关： （7-39） 那么可以将原模型（7-38）式变换为 （7-40） （7-40）式即为多元回归形式的广义差分模型，该模型不存在序列相关性。 采用OLS法估计该模型得到的参数估计量即为原模型参数的无偏有效 估计量，这样处理序列相关的方法就是广义差分法。 广义差分法就是前面我们讨论过的广义最小二乘法（GLS），但应注 意滞后的观测值被排除了。 为看清这一点，我们仍然考