违背基本假定的情况自相关性.pptVIP

第4章 违背基本假设的情况 信计学院统计系 沈菊红 4.2 序列相关性(Serial Correlation) 序列相关性 实际经济问题中的序列相关性 序列相关性的后果 序列相关性的检验 解决自相关的方法 如果模型的随机误差项违背了不相关的基本假设的情况，称为序列相关性。 一 序列相关性 1 序列相关的概念 二 实际经济问题中的序列相关性 三 序列相关性的后果 1 参数估计量非有效 OLS参数估计量仍具无偏性 OLS估计量不具有有效性 在大样本情况下，参数估计量仍然不具有渐近有效性，这就是说参数估计量不具有一致性 2 变量的显著性检验失去意义 在关于变量的显著性检验中，当存在序列相关时，参数的OLS估计量的方差增大，标准差也增大，因此实际的 t 统计量变小，从而接受原假设 的可能性增大， 检验就失去意义。 采用其它检验也是如此。 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 1 基本思路 序列相关性检验方法有多种，但基本思路是相同的。 首先采用普通最小二乘法估计模型，以求得随机误差项的“近似估计量”： 2 图示法 2 解析法 (1) 回归检验法 具体应用时需要反复试算。 回归检验法的优点是： 一旦确定了模型存在序列相关性，也就同时知道了相关的形式； 它适用于任何类型的序列相关性问题的检验。 （3）D.W.检验 D.W.检验是杜宾（J.Durbin）和沃特森(G.S. Watson)于1951年提出的一种检验序列自相关的方法(小样本情形)。 (2) 计算D.W.统计量的值  D.W.的取值范围为  D.W.? 0时，模型存在完全一阶正相关  D.W.? 4时，模型存在完全一阶负相关  当D.W.值在2左右时，模型不存在一阶自相关 （1）从判断准则看到，存在一个不能确定的D.W.值区域，这是这种检验方法的一大缺陷。 （2）D.W.检验虽然只能检验一阶自相关，但在实际计量经济学问题中，一阶自相关是出现最多的一类序列相关； （3）经验表明，如果不存在一阶自相关，一般也不存在高阶序列相关。 所以在实际应用中，对于序列相关问题一般只进行D.W.检验。 五 解决自相关的方法 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、迭代法、一阶差分法和广义差分法 3 一阶差分法(原模型存在完全一阶正自相关 )  由于 不存在序列相关，该差分模型满足应用OLS法的基本假设，用OLS法估计可得到原模型参数的无偏的、有效的估计量。 即使对于非完全一阶正相关的情况，只要存在一定程度的一阶正相关，差分模型就可以有效地加以克服。 模型(4.27)为广义差分模型，该模型不存在序列相关问题。采用OLS法估计可以得到原模型参数的无偏、有效的估计量。 广义差分法可以克服所有类型的序列相关带来的问题，一阶差分法是它的一个特例。 4.3 异常值与强影响点 异常值：这些观测值与其他数据远远分开，可能引起较大的残差，极大地影响回归拟合的效果 一 关于因变量y的异常值 二 关于自变量x的异常值 有影响的观测值 1. 如果某一个或某一些观测值对回归的结果有强烈的影响，那么该观测值或这些观测值就是有影响的观测值 2. 一个有影响的观测值可能是 ■ 一个异常值，即有一个值远远偏离了散点图中的趋势线 ■ 对应一个远离自变量平均值的观测值 ■ 或者是这二者组合而形成的观测值， 有影响的观测值(图示) 注意： 1、广义最小二乘法（GLS） 对于模型 如果存在序列相关，同时存在异方差，即有 (5.1) 对称正定阵 设 用 左乘(5.1)两边，得到一个新的模型： 该模型具有同方差性和随机误差项互相独立性。 即 （5.2） 于是，可以用OLS法估计模型(5.2)，得 （5.3） 这就是原模型(5.1)的广义最小二乘估计量，是无偏的、有效的估计量。 如何得到矩阵 ？ 仍然是对原模型(5.1)首先采用普通最小二乘法，得到随机误