§4.2序相关.pptVIP

商学院 王中昭 §4.2 序列相关 违反五项基本假定第三点，即违反了随机扰动项之间相互独立的假定，称为序列相关。 一、序列相关定义及其类型 二、实际经济问题中的序列相关性 三、序列相关性的后果 四、序列相关性的检验 五、序列相关性的修正 1、序列相关（或称自相关）的定义: 在线性回归模型基本假定3中，我们假设随机扰动项序列的各项之间不相关，如果这一假定不满足，则称之为序列相关。即用符号表示为： 称为一阶序列相关，即μi=ρμi-1+εi ,, i=1,2,…,n, -1 ρ1 其中ρ称为自协方差系数或者一阶自相关系数。 这是常见的序列相关，是本书研究的内容。 除此之外统称为高阶序列相关。如： μi=ρ1μi-1+ρ2μi-2+εi ,称为二阶序列相关。 1、经济发展的惯性 2、模型设定偏误 3、滞后效应 4、对数据的处理可能会导致序列相关 5、由随机扰动项本身特性所决定 大多数经济时间序列都有一个明显的特点，就是它的惯性。表现在时间序列数据不同时间的前后关联上。众所周知，GDP、价格指数、生产、消费、就业和失业等时间序列都呈现周期循环。相继的观测值很可能是相互依赖的。这样就导致经济变量的前后期（或前后若干期）出现相关，从而使随机误差项相关。 这是最常见的序列相关现象。 例如：Ct=β0+ β1Yt+μt，在此模型中除了总收入Y影响居民的总消费C外，还有其它因素，如消费习惯，如果消费习惯没有包括在解释变量中，则自然会归到μ中，如果消费习惯在μ占主导地位，则由于消费习惯的惯性就会造成μ出现序列相关。 从而造成v自相关。原因是猪肉价格对牛肉销量有重要影响。 例如:在消费支出C对收入I的时间序列分析中，当期的消费支出除了依赖于收入I等其它变量外，还依赖前期的消费支出. 如：Ct=β1+β2It+β3Ct-1+μt， 则 Ct-1=β1+β2It-1+β3Ct-2+μt-1 从上式可知因为μt与μt-1分别为Ct与Ct-1的模型的随机误差项，如果Ct与Ct-1相关，会导致μt与μt-1相关。 在经验分析中，许多数据是经过加工而成的。例如，在用到季度数据的时间序列回归中，季度数据通常由月度数据加总而成。这种平均的计算减弱了每月的波动而引进了数据的匀滑性 ，导致数据的前后期相关。 另外，在对原始数据进行移动平均等处理后，再用它来建立模型，这时这些数据也会存在前后若干期的相关性。 在许多情况下，真实的随机扰动项的各项值是相关的，例如：旱涝、地震、战争、罢工等纯随机因素所产生的影响将会延续一段时期，从而导致随机扰动项序列相关。 因为被解释变量与随机误差项具有相同的分布（只有数学期望不同而已）。 可以证明：如果因变量观测值之间如果存在相关性，则随机扰动项之间也就存在相关性。 （1）、参数估计量非有效性： OLS估计得到的参数值虽然仍为线性、无偏估计量，但不具有有效性（即最小方差性）。 （2）、变量的显著性检验失效： 可以证明在序列存在相关的情况下，参数估计值的方差可能变小（或者变大），从而使回归系数的t统计量变大（或者变小）。这样会使t检验失去意义。 （3）模型预测失效 序列相关性的检验方法有许多，如：冯诺曼比检验法、回归检验法、D.W检验等。 这些检验方法的共同思路是：首先采用OLS估计模型，以求得随机干扰项的“近似估计量ei”，然后通过分析这些ei之间的相关性以达到判断随机干扰项是否具有序列相关的目的。 下面只讲3种常用方法： 1、图解法 2、回归检验法 3、D.W检验(Durbin-Watson) （1）作et与时间t(t=1,2,3,……)的散点图 情形二： 此两种情形均为负相关。特点是扰动项的估计值变动呈锯齿型（一个正接一个负），随时间逐次改变符号，或在（et,et-1)图中大部分点落在二、四象限， 特点是｜et-et-1｜较大，表明存在负序列相关。 情形三 et与t的散点图分布无规律，这时μt无序列相关现象发生。 例4.2.1,中国商品进口模型估计 经济理论指出，商品进口主要由进口国的经济发展水平，以及商品进口价格指数与国内价格指数对比因素决定，由于无法取得中国商品进口价格指数，下面只研究中国商品进口M与国内生产总值GDP的关系。数据见表4.2.1（P115）,数据文件d2p115.wf1。 最好是把M和GDP化为同货币单。首先作散点图。 M与GDP的散点图，从图中可知道，两者近似直线关系。 估计结果如下： 下面进行序列相关性检验 法一：图解法，在求出模型后，再输入时间变量t, t=1,2,3,……24。 再作et与et-1