序列相关性学习课件.pptVIP

§2.6 序列相关性Serial Correlation 1. 序列相关性概念 称一阶序列相关，或自相关(autocorrelation)，这是最常见的序列相关问题。 2. 序列相关产生的原因 (1) 经济变量固有的惯性 (2) 设定偏误：遗漏了重要的解释变量 (3) 设定偏误：不正确的函数形式 OLS参数估计量仍具有无偏性 OLS估计量不具有有效性 在大样本情况下，参数估计量虽然具有一致性，仍不具有渐进有效性。 2. 变量的显著性检验失去意义 在变量的显著性检验中，当存在序列相关时，参数的OLS估计量方差增大，标准差也增大。因此实际的t 统计量变小，从而接收原假设?i = 0的可能性增大，检验就失去意义。其他的检验也存在类似的情况。 2. 图示法 3. 解析法 (1) 回归检验法 (2) 杜宾-瓦森（Durbin-Watson）检验法 D-W检验是杜宾(J.Durbin)和瓦森(G.S. Watson) 提出的一种检验序列自相关的方法。 该方法有效的前提条件是： 当D.W.值在2左右时，模型不存在一阶自相关。 注意： (3) Breush-Godfrey LM 检验 Lagrange multiplier, 即拉格朗日乘数，BG检验，也称LM检验，是检验随机误差项序列是否存在高阶自相关，对于模型中存在滞后被解释变量作为解释变量时，LM检验仍然有效。 H0: 直到p 阶滞后不存在序列相关 H1: 存在p 阶自相关 F统计量是对(**)式所有滞后残差联合显著性的检验 若样本容量很大, Breush和Godfrey证明(n-p)*R2统计量渐进服从χ2(p)分布。 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(Generalized Least Squares) 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? ？ 可行的广义最小二乘法（FGLS, Feasible Generalized Least Squares） 文献中常见的术语 如果能够找到一种方法，求得到?的估计量，使得GLS能够实现，都称为FGLS， 　前面提到的方法就是FGLS。 2．一阶差分法 一阶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。 3．广义差分法 4. 随机误差项相关系数? 的估计 应用广义差分法，必须已知随机误差项的相关系数?1, ?2, … , ?l ，所以必须首先对它们进行估计。 常用的估计方法有： （1）科克伦-奥科特迭代法 类似地，可进行第三次、第四次迭代。 关于迭代的次数的确定，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。 5. 应用软件中的广义差分法 在Eview软件中，广义差分采用的是科克伦-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?1、?2、…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?1、?2、…的迭代。 问题：是否还可以用消费模型作为例子？ conspt = β0 + β1gdppt + β2conspt-1 +μt 一元消费模型估计结果： 一元消费模型广义差分法估计结果： 6. 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。 五、案例：中国商品进口模型 2. 进行序列相关性检验 （1）图示法检验 （2）DW检验 广义差分法—科克伦-奥科特迭代法估计? Eviews软件，2阶广义差分的结果为： 二阶广义差分得到的估计结果： 异方差性、序列相关性问题的经济背景； 异方差性、序列相关性检验方法的思路； WLS 广义差分法 （1）科克伦-奥科特（Cochrane-Orcutt）迭代法 （2）杜宾（Durbin）两步法 以一元模型为例，首先采用OLS法估计原模型： Yt=?0+?1Xt+