小样本DW统计量的分布特征探究.docVIP

小样本DW统计量的分布特征探究 ; 摘要:本文用模特卡罗模拟方法研究了样本容量在54以下的DW统计量的分布特征,并给出小样本DW检验临界值表。同时用DW检验提出了一个判别最小二乘估计中是否存在虚假回归的有效方法。关键词:模特卡罗模拟,DW分布,非平稳性,协整; 1.概述; 八十年代以来,Engle-Granger 1987, Engle-Yoo 1987 和Sargan-Bhargava 1983都曾提及用DW统计量检验非平稳变量间的协整性问题。在Sargan-Bhargava 1983中还专门给出一个DW协整检验用表。但在这些论文中均未对小样本DW统计量的分布特征给与研究。; 本文采用蒙特卡罗模拟方法对小样本DW统计量的分布特征进行了充分、详细的研究。样本容量分别取为10,20,30,40和50。变量的设定分为三种情形:一. 所涉及的两个变量都取自I1过程;二. 所涉及的两个变量中一个取自I1过程,一个取自I0过程;三. 所涉及的两个变量都取自I0过程。; 在有些国家以年为单位的时间序列的最大可观测值个数并不是很大,所以对小样本DW统计量分布特征的研究有着非常重要的理论与现实意义。; 本文结构如下。第二节推导两个I1变量进行最小二乘回归后,由残差计算的DW统计量的极限分布表达式,第三节介绍蒙特卡罗模拟结果及其分析,第四节给出实例,第五节给出结论。; 2.DW统计量的极限分布; 给定如下随机数据生成系统,; yt yt-1 + ut ,nbsp; y1 0,;;;;;;;;;;;;;;;; 1; xt xt-1 + vt ,nbsp; x1 0,;;;;;;;;;;;;;;;;nbsp; 2; 其中ut, vt ~ I0, Eut Evt 0; Eui uj 0, i 1 j,” i, j。则yt和xt为相互独立的两个I1过程。; 建立如下回归模型:; yt b0 + b1xt + wt .;;;;;;;;;;;;;;;;; 3; 当对上式进行最小二乘估计时,会产生虚假回归问题。用随机误差wt的最小二乘估计值 构造DW统计量,; 4; 因为当T ? μ 时, 必然接近于零,上式中分子为Op1,而分母T -1sw2也是Op1,所以DW统计量是OpT -1的。当T ? μ 时,有; DW T 0.; 即当用两个I1变量进行如模型3形式的回归时,DW统计量的极限分布为零。; 3.小样本DW分布的蒙特卡罗模拟及其结果分析; 当样本为有限样本,特别是小样本时,DW统计量的分布与其极限分布有着很大不同。由于上述条件下的DW统计量的分布无法用解析的方法求解,本文用蒙特卡罗模拟方法对DW统计量的小样本分布特征进行了研究。; 以模型3为基础,除了以yt,xt ~ I1为条件对DW分布记为DW1,1进行模拟外,还分别以yt ~ I1,xt ~ I0 和yt,xt ~ I0为条件进行了模拟分别记为DW1,0 和DW0,0。; 由于DW0,0就是通常意义的DW统计量,所以只模拟样本容量T 10, 40两种情形。对于DW1,1和DW1,0,分别取T 10, 20, 30, 40和50进行了模拟。在每个样本容量条件下各模拟1000次。所得结果见表一。; 首先见表一的第三部分,先分析DW0,0 的分布特征。由于DW0,0 就是通常意义的DW统计量,所以模拟结果表明,一. DW0,0分布的均值为2,不受样本容量大小的影响;二.分布是对称的,相应JB值表中最后一列说明小样本DW0,0统计量的分布与正态分布相当近似。三. 随着样本容量的增大,分布的标准差逐步减小。; 见表一的第一、二部分。小样本DW1,1和DW1,0统计量有着相似的分布特征。一. 分布均为右偏态,分布左侧有端点,端点为零;二. 随着样本容量的增大,DW1,1和DW1,0分布的右偏倚程度越来越大,分布均值逐步相左移动,90、95、99百分位数也逐步向左移动,同时分布的标准差逐步减小,分布的峰值越来越大,DW取值向零集中;三. 在样本容量相同的条件下,DW1,0分布总是位于DW1,1分布的左侧,即DW1,0分布的均值、百分位数以及方差都比DW1,1分布的相应量小。T 50模拟1000次的DW1,1和DW1,0分布的结果分别见图一和图二。; 表一nbsp; DW分布的蒙特卡罗模拟结果; 类nbsp; 型 样本容量 百 分 位 数nbsp; 均 值 标准差 偏 度 JB统计量; 1nbsp; 90nbsp; 95nbsp; 99 ; 10 0.22 2.18 2.45 2.81nbsp;nbsp; 1.28nbsp; 0.62 0.50nbsp;nbsp; 48.74; DW1,1; 20 0.11 1.28 1.49 1.80nbsp;nbsp; 0.75nbsp; 0.