第五章：(一) 序列相关性.pptVIP

四、具有序列相关性模型的估计 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。 最常用的方法是广义最小二乘法（GLS: Generalized least squares）和广义差分法(Generalized Difference)。 1、广义最小二乘法（GLS: Generalized least squares） GLS的原理与WLS相同，只是将权矩阵W换为方差协方差矩阵Ω。 模型的GLS估计量为： 原模型的广义最小二乘估计量(GLS estimators)是 无偏的、有效的估计量。 如何得到矩阵?？ 仍然是对原模型 ，首先采用普通最小二乘法，得到随机误差项的近似估计量，以此构成矩阵?的估计量 ，即 当我们应用包含有广义最小二乘法的计量经济学软件包时，只要选择广义最小二乘法，输入上述方差—协方差矩阵，估计过程即告完成。 这样，同样引出了人们通常采用的经验方法：即并不对原模型进行异方差性检验和序列相关性检验，而是直接选择广义最小二乘法。如果确实存在异方差性和序列相关性，则被有效地消除了；如果不存在，则广义最小二乘法等价于普通最小二乘法。 该模型即为广义差分模型，它不存在序列相关问题。采用普通最小二乘法估计该模型得到的参数估计量，即为原模型参数的无偏的、有效的估计量。 若原模型存在： 那么，可以将原模型变换为 广义差分法可以克服所有类型的序列相关带来的问题。 2、广义差分法(Generalized Difference) 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。 应用广义差分法，必须已知不同样本点之间随机误差项的相关系数?1, ?2,…, ?p 。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。 常用的方法有： （1）科克伦-奥科特（Cochrane-Orcutt）迭代法； （2）杜宾（durbin）两步法。 3、随机误差项相关系数的估计 科克伦-奥科特迭代法 采用OLS法估计 随机误差项的“近似估计值”，作为方程的样本观测值 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，?，?p的估计值之差小于这一精度时，迭代终止。 两次迭代过程也被称为科克伦-奥科特两步法。 第二次估计 杜宾（durbin）两步法 该方法仍是先估计?1,?2,?,?p，再对差分模型进行估计。 变换模型形式，用OLS法估计各Yj前的系数 带入差分模型估计出模型参数 应用软件中的广义差分法 在Eview/TSP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。 几个概念 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、稳健标准误法（Newey-West standard errors） 应用软件中推荐的一种选择。适合样本容量足够大的情况。 仍然采用OLS，但对OLS估计量的标准差进行修正。 与不附加选择的OLS估计比较，参数估计量没有变化，但是参数估计量的方差和标准差变化明显。 致使存在异方差和序列相关、仍然采用OLS估计时，变量的显著性检验有效。 五、虚假序列相关问题 虚假序列相关(false autocorrelation) 如果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，模型随机项一般表现为序列相关。 这种情形可称为虚假序列相关。 如果经检验不存在由于模型设定偏误而导致的虚假序列相关，即模型存在的序列相关是真实的序列相关或纯序列相关。 如何避免虚假序列相关 从一般到简单：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。 设定偏误检验。 六、案例 问题 为了从总体上考察中国居民收入与消费的关系，建立居民总量消费模型。 根据宏观经济学中的消费理论，结合对中国居民总消费的实际分析，可以假定居民总消费（Y）是由居民实际可支配收入（X）唯一决定的，即X是Y的唯一解释变