自相关重点分析.pptVIP

第七章  自相关(Autocorrelation) 主要内容 一、自相关的含义和类型 二、自相关的来源及后果 三、自相关的检验 四、消除自相关和估计模型 五、EViews的应用 六、案例 二、自相关的来源及后果 1、自相关的来源 ——主要存在于时间序列数据中 1）经济过程存在惯性——真正自相关； 2）省略了重要的解释变量，使扰动项表现出虚假自相关； 3）资料加工（修匀、插值等）导致本来不存在自相关的数据变为具有自相关的数据； 4）模型数学形式有误，将偏误部分代入扰动项； 5）经济冲击的延续。 2、自相关的后果 1）自相关存在的情况下，估计量的实际方差Var(b)一般会变大；自相关存在却未加以考虑，得到的估计量的方差一般会被低估； 2） 低估了 ； 3）统计推断可能失效。 三、自相关的检验 构造检验统计量 (1) 用OLS法估计原模型，得出残差e。 （2）估计总体自相关系数，表示为： D.W检验判断步骤 (1) 计算出统计量d； (2) 由样本容量n，显著性水平α，解释变量个数+1，查D.W 分布表，得出d 的下限、上限临界值 和 。 (3) 判断 四、消除自相关和估计模型 1、广义差分法 五、EViews的应用 1、判断残差序列是否存在自相关的4种方法 （1）观察模型估计输出的残差图、绘制e、e(-1) 残差相关图,经验判断残差序列的自相关特征。或利用： （2）IDENT命令识别序列自相关, 输入命令格式: ident x （3）在模型输出窗口： view/ residual tests/ correlogram-Q-statistics （4）在模型估计输出窗口: 得到D.W.统计量, 查D.W.表, 判断自相关存在与否; 2、消除一阶自相关的回归命令格式, 如： LS Y C X AR(1) 将AR(1)引入模型中，在估计中自动完成迭代，得到自相关系数ρ。 * * 1、含义： (1）简化协方差 一、自相关的含义和类型 (2) 自相关系数 3）Var-cov (u) 表达式 2、自回归（AR） (1) 数学形式： 满足统计假定） (2) 的特征 3、移动平均（MA） 1）数学形式： 2） 的数学特性 4、混合模型（ARMA） 以一元回归模型为例说明在自相关存在时估计量的方差变大的情形： 其扰动项u的自相关为一阶自回归型式AR(1)或一阶移动平均型式 MA(1), 模型中 的OLS估计量 为： 则： 分两种情况： (1) 若自相关是一阶自回归型式——AR(1) 在多数情况下自相关系数为正，则增大了Var(b1). (2) 若自相关是一阶移动平均型式——MA(1) 其中若λ＞0，则Var(b1)增大。 不存在自相关的情况下， 的OLS估计量 ，为 存在自相关的情况下 则： 不存在自相关时， ，则 ，有 。但是，存在自相关时， ，有 ，方差的估计式有明显的偏误。 1、图示检验法： 模型估计完成后，得到残差e: （1）绘制e, e(-1)的散点图，如果散点大部分在第一、三象限，则残差存在正自相关 ；如果散点大部分在第二、四象限，则残差存在负自相关 ； （2）按照时间顺序绘制残差图，如果残差随着时间的变化有一种同号残差相随的倾向，就表示存在正自相关。有一种异号残差相随的倾向，就表示存在负自相关。 2、试验法（回归法） 利用残差序列建立回归模型，探查自相关存在与否和存在的形式。 具体作法是: 1）对原模型用OLS法进行估计，求得残差e。 2）由e 建立各种可能的自回归模型 。如： 3）分别对各种模型进行 F 检验和 t 检验 。 优点：从通过 F 检验的自回归模型中，可选择最优的拟合形式作为扰动项自相关的具体形式。 3、德宾-瓦特森（Durbin—Watson）检验 D.W检验的应用条件： （1）模型存在一阶自相关随机扰动AR(