8 序列相关.ppt

序列相关 一、序列相关的概念 二、序列相关的来源 三、序列相关的后果 四、序列相关的检验 五、序列相关的修正 六、案例 一、序列相关的概念 称为一阶序列相关，或自相关（autocorrelation） 二、序列相关性的来源 1、经济变量固有的惯性 2、模型设定的偏误 但建模时设立了如下模型： Yt= ?0+?1Xt+vt 因此，由于vt= ?2Xt2+ut, ，包含了产出的平方对随机项的系统性影响，随机项也呈现序列相关性。 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互相独立性时才能成立。 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、图示法 2、回归检验法 3、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。 4、拉格朗日乘数（Lagrange multiplier）检验 如果模型被检验证明存在序列相关性，则需要发展新的方法估计模型。 1、广义最小二乘法 对于模型 Y=X?+ ? 如果存在序列相关，同时存在异方差，即有 如何得到矩阵?？ 2、广义差分法 广义差分法是将原模型变换为满足OLS法的差分模型，再进行OLS估计。 注意： 广义差分法就是上述广义最小二乘法，但是却损失了部分样本观测值。 如：一阶序列相关的情况下,广义差分是估计 2. 随机误差项相关系数的估计（ ? 未知） 应用广义最小二乘法或广义差分法，必须已知随机误差项的相关系数?1, ?2, … , ?L 。 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。 简单的方法有： （1）由DW-d统计量中估计? （2）从OLS残差中估计?： 较为复杂的方法 科克伦-奥科特（Cochrane-Orcutt）迭代法 杜宾（durbin）两步法 （1）科克伦-奥科特迭代法。 类似地，可进行第三次、第四次迭代。 关于迭代的次数，可根据具体的问题来定。 一般是事先给出一个精度，当相邻两次?1,?2, ? ,?L的估计值之差小于这一精度时，迭代终止。 实践中，有时只要迭代两次，就可得到较满意的结果。两次迭代过程也被称为科克伦-奥科特两步法。 Eviews软件中的广义差分法 在Eviews软件包下，广义差分采用了科克伦-奥科特（Cochrane-Orcutt）迭代法估计?。 在解释变量中引入AR(1)、AR(2)、…，即可得到参数和ρ1、ρ2、…的估计值。 其中AR(m)表示随机误差项的m阶自回归。在估计过程中自动完成了ρ1、ρ2、…的迭代。 如果能够找到一种方法，求得Ω或各序列相关系数?j的估计量，使得GLS能够实现，则称为可行的广义最小二乘法（FGLS, Feasible Generalized Least Squares）。 FGLS估计量，也称为可行的广义最小二乘估计量（feasible general least squares estimators） 可行的广义最小二乘估计量不再是无偏的，但却是一致的，而且在科克伦-奥科特迭代法下，估计量也具有渐近有效性。 前面提出的方法，就是FGLS 4、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。 六、案例 1. 通过OLS法建立如下中国商品进口方程： 2. 进行序列相关性检验。 DW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? 在Eviews软包下，2阶广义差分的结果为： 可以验证: 仅采用1阶