5.1 时间序列模型的序列相关性.ppt

第五章 时间序列计量经济学模型 §5.1 时间序列模型的序列相关性 §5.2 时间序列的平稳性及其检验 §5.3 协整与误差修正模型 §5.4 格兰杰因果关系检验 关于本章教学内容设计的说明 时间序列的平稳性检验（§5.2节） 以时间序列数据为样本，时间序列性破坏了随机抽样的假定，经典计量经济学模型的数学基础能否被满足？ 如果所有时间序列是平稳的，时间序列的平稳性可以替代随机抽样假定，可以采用时间序列数据建立经典计量经济学模型。 所以，首先必须对用统计数据构造的时间序列进行平稳性检验。 时间序列的协整检验（§5.3节） 实际经济时间序列大都是非平稳的，那么，在非平稳时间序列之间能否建立计量经济学结构模型？ 需要对模型采用的非平稳时间序列进行协整检验。 时间序列模型的序列相关问题（§5.1节） 采用时间序列数据建立计量经济学模型，无论是平稳时间序列和非平稳时间序列，模型随机误差项一般都存在序列相关，这就违背了经典模型的一个重要的基本假设。 所以模型的序列相关性肯定是时间序列计量经济学模型必须重点讨论的一个问题。 由于在时间序列的平稳性检验和协整检验中都涉及到序列相关，所以，将它作为第一节讨论的内容。 格兰杰因果关系检验（§5.4） 格兰杰因果关系检验，在时间序列计量经济学模型建模时被广泛应用，并且存在滥用和错用现象。 从应用的角度出发，将格兰杰因果关系检验单独作为一节。 借此对自回归模型和向量自回归模型的概念进行必要的介绍。 §5.1 时间序列模型的序列相关性 一、序列相关性 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、序列相关的补救 六、虚假序列相关问题 七、案例 二、实际经济问题中的序列相关性 六、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。 七、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的唯一解释变量。 采用1980~2013年消除价格因素的中国居民总量消费支出（Y）与收入（X）数据，建立居民总消费模型。 数据 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。 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,?,?l，再对差分模型进行估计。 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。 * 一、序列相关性的概念 序列相关性 模型随机项之间不存在相关性，称为：No Autocorrelation。 以截面数据为样本时，如果模型随机项之间存在相关性，称为：Spatial Autocorrelation。 以时序数据为样本时，如果模型随机项之间存在相关性，称为：Serial Autocorrelati