自相关性重点分析.pptVIP

L/O/G/O 自相关性 产生原因 影响 概念 引入 A 模型的基本假定之一：随机误差项之间序列不相关或相互独立。即： 但在实践中，该假定常得不到满足。 如果模型的随机误差项违背了不相关的基本假设的情况，则称为自相关性，也称为序列相关性。 注意：异方差性是随机误差现象 自相关性也是随机误差现象（多在时间序列数据 中）。 自相关性的概念 则称模型存在着自相关性，又称序列相关。 对于模型 如果随机误差项的各期望值之间存在着相关关系，即： 如果仅存在 自相关往往可以写成以下形式： 其中： 称为一阶自相关，或自相关 自协方差系数 ε是满足以下标准的OLS假定的随机干扰项： 自相关产生的原因 自 相 关 产 生 的 原 因 经济系统的惯性 经济活动的滞后效应 数据处理造成的相关 蛛网现象 模型设定误差 1、经济系统的惯性 大多数经济时间数据都有一个明显的特点:惯性，表现在时间序列不同时间的前后关联上 例如：当年的投资规模与前一年、甚至前几年的投资有关； 当期家庭消费水平在很大程度受上期消费水平的制约； 企业第 i 期的产量与第 i-1、i-2、--- 期 密切相关。 2、经济活动的滞后效应 滞后效应是指某一指标对另一指标的影响不仅限于当期而是延续若干期。由此带来变量的自相关。 例如：研究消费支出Y和收入X1、价格X2之间的关系时，由于消费心理、习惯、风俗、环境等多方面的因素，消费者在收入下降、或者价格上升时也要保持原来的消费水准。所以，前期的消费状况Yt-1 影响本期的消费支出。 3、数据处理造成的相关 在实际经济问题中，有些数据是通过已知数据生成的。 因此，新生成的数据与原数据间就有了内在的联系，表现出序列相关性。 例如：季度数据来自月度数据的简单平均，这种平均的计算减弱了每月数据的波动性，从而使随机干扰项出现序列相关。 * 4、蛛网现象 蛛网现象是微观经济学中的一个概念。它表 示某种商品的供给量受前一期价格影响而表现出 来的某种规律性，即呈蛛网状收敛或发散于供需 的均衡点。 如下例（呈蛛网状收敛） D S Q1 P P Q Q0 Q2 P2 Q3 P3 Q4 供给曲线 需求曲线 P1 蛛网现象模型 ? ? 0 假定第t期的农产价格Pt低于第t-1期的产品价格Pt-1第t+1期的农产品供给量将低于第t 期的供给量。 5、模型设定误差 如果模型中省略了某些重要的解释变量或者模型函数形式不正确，都会产生系统误差，这种误差存在于随机误差项中，从而带来了自相关。由于该现象是由于设定失误造成的自相关，因此，也称其为虚假自相关。 而建立模型时，模型设定为: 例如，假设正确的模型应该用两个解释变量: 则X3对Y的影响便归入随机误差项 u 中，由于X3在不同观测点上是相关的，这就造成了u在不同观测点是相关的，呈现出系统模式，此时u是自相关的。 自相关性的影响 计量经济学模型一旦出现序列相关性，如果仍采用OLS法估计模型参数，会产生下列不良后果： 1、最小二乘估计不再是有效估计 高斯-马尔可夫定理证明了，只有在同方差和非线性相关的条件下，OLS估计才具有最小方差的特性。如果随机误差项具有自相关性，当我们仍用OLS进行参数估计时，估计式仍具有线性和无偏性，单不具备有效性（P31）。 所以要改用其他方法估计。 2、一般会低估OLS估计的标准误差（P87） 3、t检验的可靠性降低 若模型存在自相关性，直接用OLS估计，参数的真实方差可能被低估。 参数的显著性检验，由于分母变小，所以 t 统计量不正常的偏大，模型的显著性检验失效（检验将不能给出有效的结论） 4、降低模型的预测精度 预测区间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，当模型出现自相关性时，它的预测功能失效。 谢 谢！ * * * * L/O/G/O * * * *