消除自相关的方法.pptVIP

* §6.4 消除自相关影响的方法 一、拟自相关情况 二、真正自相关情况 (一)自相关系数ρ已知的情况 1.广义差分法 设模型 (t =1，2，…，n) (6.4.1) 中的随机项有一阶线性自相关： (6.4.2) vt满足经典回归的全部假定，且ρ的数值已知。 将(6.4.1)滞后一期并乘以ρ： (6.4.3) 用(6.4.1)减(6.4.3)式，得 (6.4.4) 令 令 (6.4.5) 变换(6.4.5)称为广义差分变换。将(6.4.4)改写成： (6.4.6) 变换后的模型(6.4.6)叫做广义差分模型，由于vt满 足全部假定，已没有自相关，因此可用OLS法估计 参数α和β1。 应该注意，变换后的数据( )将损失一个观测值， 这是因为 变换中不存在x0 和y0。为了避免这一损失，K.R.Kadiyala提出对第一 个观测值作如下变换： 对于多元回归模型，广义差分法也同样适用。 设模型 (6.4.11) (6.4.12) 其中ρ已知，vt满足经典回归的基本假定。(6.4.11) 滞后一期并乘以ρ： (6.4.13) 将(6.4.11) - (6.4.13)得： (6.4.14) 令 (6.4.15) 模型(6.4.14)可改写成： (6.4.16) 由于vt满足经典回归全部假定，因此，可以对模型 (6.4.16)应用OLS法。 2.广义最小二乘法的应用之二：自相关问题的处理 设有线性回归模型 (6.4.30) 其中Y为(n×1)维向量，X为n×(k+1)维矩阵，β为 (k+1)×1维向量，U为(n×1)维向量，并且具有一阶 线性自回归形式的自相关 (6.4.31) 利用§6.1节的结果由(6.1.13)式知，有协方差矩阵： (6.4.32) (6.4.32)式中Ψ是一个(n×n)维正定对称矩阵： (6.4.33) 其逆矩阵(参看6.1.14)为： (6.4.34) 对正定对称矩阵Ψ，存在(n×n)非奇异矩阵P，使得 (6.4.35) 并且有 (6.4.36) 利用P对原模型(6.4.30)作变换： PY＝ＰX β＋ＰＵ (6.4.37) (6.4.38) 于是，(6.4.37)可改写成 (6.4.39) 由于 (6.4.41)′ 的协方差矩阵为 (6.4.42) 或 (6.4.42)′ 的无偏估计量为： (6.4.43) 或 (6.4.43)′ 拟合优度的表达式为： (6.4.44) 或 (6.4.44)′ 其中 (6.4.45) 以上分析过程中，我们使用了两个矩阵P和Ψ。 但是，在实际计算过程中只用二者之一即可。 可以证明P具有如下形式 (6.4.46) 可以验证P满足(6.4.35)和(6.4.36)。用P作用于X和 Y 可得如下一组变换观测值： (6.4.47) (6.4.48) （二）自相关系数ρ未知的情况 只需将ρ估计出来，用估计值代替（一）中ρ的即可。 1.由d统计量估计ρ 由§6.3节给出的两个ρ的估计式： (6.4.17) (6.4.18) 由于(6.4.17)是ρ的有偏、相合估计量，故只适用大 样本情况。对于小样本(6.4.18)的偏倚要比(6.4.17) 小些，所以在小样本情下应该用公式(6.4.18)。 2.Cochrane-Orcutt(柯克兰—奥卡特)迭代法 3.区间收索法（Hildreth-Lu法） 4.杜宾(Durbin)两步法 设模型为 (6.4.25) 其随机项存在自相关： (6.4.26) 第一步，对模型(6.4.25)进行广义差分变换： 整理得： (6.4.27) 对(6.4.27)式应用OLS法，求得ρ的估计值 ,它就 是 项的系数。 第二步，用估计值 对原始数据进行差分变换： (6.4.28) 于是原模型(6.4.25)变为 (6.4.29) 对(6.4.29)应用OLS法，可求得估计值 其中 。 此种方法适用于各种容量的样本，不同阶的自回归 相关形式，其模型参数估计值具有最优渐近性。杜 宾两步法不但求出了自相关系数ρ的估计值，而且 也得出了模型参数的估计值，因此，它是一种简单 而又行之有效的方法。 值得注意地是此方法，在进行差分变换(6.4.28)时， 将损失一个观测值。 5.残差作滞后回归 第一步：对模型 应用OLS求出ut的估计值 。 第二步： 对 做回归，得到回归方程 ，