chapter6自相关.pptVIP

第六章 自相关 §6.1 自相关的含义和类型 二、（常见）类型 2、高阶自回归 3、一阶自回归AR(1)扰动项的特性 3、一阶自回归AR(1)扰动项的特性 §6.2 自相关的来源 一、经济变量固有的惯性 二、设定偏误：应含而未含变量的情形 例如：如果真实的回归方程形式为: 其中，因变量为边际成本，解释变量为产出及产出的平方。 如果作回归是选用的是： 则会出现自相关，其形式为： 四、蛛网现象 许多农产品的供给表现出一种所谓的蛛网现象。例如，供给价格的反应要滞后一个时期。今年种植的作物是受去年流行的价格影响的，因此，相关的函数形式是： 这种现象就不能期望扰动项是随机的。 五、滞后效应 例如：在消费支出对收入的时间序列分析中，当期的消费支出除了依赖于其他变量外，还依赖于前期的消费支出。即： 如果作回归是选用的是： 则会出现自相关。 六、数据的“编造” 例如：季度数据来自月度数据的简单平均，这种平均的计算减弱了每月数据的波动性，从而使随机干扰项出现序列相关。 还有就是两个时间点之间的“内插”技术往往导致随机项的序列相关性。 §6.3 自相关的后果 计量经济学模型一旦出现序列相关性，如果仍采用OLS法估计模型参数，参数估计量会有以下的特性 3、变量的显著性检验失去意义 然后，通过分析这些“近似估计量”之间的相关性，以判断随机误差项是否具有序列相关性。 1、图示法 2、回归检验法 3、杜宾-瓦森（Durbin-Watson）检验法 D-W检验是杜宾（J.Durbin）和瓦森(G.S. Watson)于1951年提出的一种检验序列自相关的方法，该方法的假定条件是： 当D.W.值在2左右时，模型不存在一阶自相关。 4、拉格朗日乘数（Lagrange multiplier,LM）检验 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 对于模型 Y=X?+ U 如果存在序列相关，同时存在异方差，即有 如何得到矩阵?？ 2、广义差分法 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。 注意： 广义差分法就是上述广义最小二乘法，但是却损失了部分样本观测值。 如：一阶序列相关的情况下,广义差分是估计 3、随机误差项相关系数的估计 应用广义最小二乘法或广义差分法，必须已知随机误差项的相关系数?1, ?2, … , ?L 。 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。 常用的估计方法有： §6.6 自相关的上机实验 0、准备工作。建立工作文件，并输入数据 CREATE A 1978 2000 DATA CONSUM INCOME PRICE 1、相关图分析：SCAT X Y 2、估计模型： GENR Y=CONSUM/PRICE GENR X=INCOME/PRICE LS Y C X GENR et=resid 对?的形式进行特殊设定后，才可得到其估计值。 如设定随机扰动项为一阶序列相关形式 ut=?ut-1+?t 则 如果原模型 存在 可以将原模型变换为: 该模型为广义差分模型，不存在序列相关问题。可进行OLS估计。 这相当于 去掉第一行后左乘原模型Y=X?+ U 。即运用了GLS法，但第一次观测值被排除了。 (有时候直接取? =1） 利用DW统计量（ ? =1-DW/2） 杜宾（durbin）两步法 （2）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 第一步，变换差分模型为下列形式 进行OLS估计，得各Yj（j=t-1, t-2, …,t-L)前的系数?1,?2, ?, ?L的估计值 * 一、自相关（autocorrelation） 1、定义： 在古典线性回归模型中，我们假定随机扰动项序列的各项之间不相关，如果这一假定不满足，则称之为自相关（序列相关）。即用符号表示为： 常见于时间序列数据。 1、一阶自回归 对于模型 Yt = ?0 + ?1X1t + ?2X2t +…+ ?kXkt + ut t=1,2, …,T 大多数经济时间数据都有一个明显的特点:惯性，表现在时间序列不同时间的前后关联上。 由于消费习惯的影响被包含在随机误差项中，则可能出现序列相关性（往往是正相关 ）。 例如，绝对收入假设下