第九讲 序列相关性.pptVIP

序列相关性Serial Correlation 一、序列相关性的概念 二、序列相关性的后果 三、序列相关性的检验 四、具有序列相关性模型的估计 五、案例 如果模型的随机误差项违背了互相独立的基本假设，则认为存在序列相关。 一、序列相关性 1、序列相关的概念 则称为一阶序列相关，或自相关（autocorrelation）。 2、序列相关产生的原因 （2）设定误差：模型中遗漏了显著的变量 例如：如果对牛肉需求的正确模型应为 Yt=?0+?1X1t+?2X2t+?3X3t+?t 其中：Y=牛肉需求量，X1=牛肉价格，X2=消费者收入，X3=猪肉价格。 但在建模时误将模型设定为： Yt= ?0+?1X1t+?2X2t+vt 那么该式中的随机误差项实际上是：vt= ?3X3t+?t, 于是在猪肉价格影响牛肉消费量的情况下，这种模型设定的偏误往往导致随机误差项中有一个重要的系统性影响因素，使其呈序列相关性。 (3)设定误差：不正确的函数形式 例如：如果边际成本模型应为： Yt= ?0+?1Xt+?2Xt2+?t 其中：Y=边际成本，X=产出。 但在建模时误将模型设定为： Yt= ?0+?1Xt+vt 因此，由于 vt= ?2Xt2+?t ，包含了产出的平方对随机误差项的系统性影响，随机误差项也呈现序列相关性。 (4)蛛网现象 例如：农产品供给对价格的反映本身存在一个滞后期：Qt= ?0+?1Pt-1+?t 其中：Qt=t 年农产品的供给; Pt-1= t-1 年农产品的价格。 意思是，农民由于在前一年度（t-1）的过量生产（使该期价格下降）很可能导致在下一年度（t）削减产量，因此不能期望随机干扰项是随机的，往往产生一种蛛网模式。 (5)数据的“编造” 例如：如果季度数据来自月度数据的简单平均，那么这种平均的计算会减弱每月数据的波动而使季度数据更为平滑，从而使随机干扰项出现序列相关。 此外，当历史数据缺失时，在两个时间点之间采用“内插”技术，也可能导致随机干扰项出现序列相关。 二、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 3、模型的预测功能失效 由于上述后果，使得模型不具有良好的统计性质。所以，当模型出现序列相关性时，它的预测功能失效。 三、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 3、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。 （2）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： 该统计量的分布与出现在给定样本中的X值有复杂的关系，因此其精确的分布很难得到。 但是，Durbin和Watson成功地导出了临界值的下限dL和上限dU ，且这些上下限只与样本的容量n和解释变量的个数k有关，而与解释变量X的取值无关。 检验步骤 ①计算D.W.统计量的值， ②根据样本容量n和解释变量数目k，查D.W.分布表，得到临界值dL和dU， ③按照下列准则考察计算得到的D.W.值，以判断模型的自相关状态。 可以看出，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，存在两个不能确定的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。 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）、一阶差分法（First-Order Difference)和广义差分法