第五章 序列相关问题.pptVIP

项目5 序列相关问题 【学习目标】 1．知识目标：序列相关的概念、类型、来源与后果；序列相关的各种检验方式；修正序列相关的方法与应用。 2．能力目标：理解DW检验法的局限性；理解序列相关解决方法以及对结果的经济学意义上的解释；掌握Eviews软件操作方法，能应用Eviews软件进行序列相关分析。 【情景写实】 回归模型的假定条件之一是Cov(ui, uj ) = E(ui uj) = 0 i, j ? T i ? j， 即误差项ut的取值在时间上是相互无关的。称误差项ut无序列相关。 根据这个假设：认为分析家庭消费支出与家庭收入的截面数据时，假定一个家庭收入增加对其消费支出的影响并不会影响另一个家庭的消费支出；一个工厂的产量对劳动和资本投入回归的季度时间序列数据，若某一季度一个突发事件影响了产出，下一季度的产出不会受影响。 但实际情况呢？实际生活中，某一家庭消费支出的增加可能引起常与他们攀比的另一家庭消费支出的增加。一个工厂某一季度一个突发事件影响了产出，并不意味着下一季度的产出不会受影响。实际上，下季度的产出可能会增加，以弥补上一季度产出的不足。 这两种情况下，前后观测值之间都存在某种依赖关系，回归模型的非序列相关假设并未得到满足，普通最小二乘法失效，必须发展新的方法对模型进行估计。 任务5.1 序列相关问题概述 一、序列相关的概念 对于模型 （5.1） 如果其他假设仍然满足，随机干扰项序列不相互独立，即Cov (ui , uj ) ? 0, (i ? j)，则称误差项ut存在序列相关或自相关。 二、序列相关的类型 序列相关按形式可分为两类。 1.一阶自回归形式 当误差项ut只与其滞后一期值有关时，即 ut = f(ut - 1) + vt 称ut具有一阶自回归形式。 2.高阶自回归形式 当误差项ut的本期值不仅与其前一期值有关，而且与其前若干期的值都有关系时，即 ut = f (ut – 1, u t – 2 , … ) + vt 则称ut具有高阶自回归形式。 对于一般经济现象而言，两个随机项相隔时间越远，联系越小。如果存在序列相关，最强的序列相关应表现在前后两个随机项之间，即计量经济模型中序列相关的最常见形式是一阶自回归形式，所以下面重点讨论误差项的线性一阶自回归形式，即 ut = ?ut-1 + vt 【相关链接】 ?名称的理解 一阶自回归中?既是自回归系数也是自相关系数，所谓回归系数指对模型（5.2）用OLS进行回归估计得到的回归系数数值，相关系数则是利用相关系数公式（2.1）计算两变量ut 、 ut-1的相关联程度。在一元模型中，这两者是不同的，那么在一阶自回归模型时会什么会一致呢？ 在根据基本假设可以将式（5.2）看作是无常数项的一元回归模型，因此，可以直接用OLS得到自相关系数P 的估计量： （5.3） 当样本容量很大时，有 ，因此，当样本容量很大时，式（5.3）可以写为： （5.4） 可见，自回归系数的估计量等于随机项和的简单相关系数。因此，?既可称为自回归系数，也可以称为自相关系数。 三、序列相关的来源 1．经济变量固有的惯性 由于经济发展的连续性所形成的惯性，使得许多经济变量的前后期之间是相互关联的。诸如国内生产总值、就业、货币供给等时间序列都呈现周期性波动。当经济复苏时，经济序列由由谷底向上移动，在上移的过程中，序列在某一时点的值会大于其前期值。因此，连续的观测值之间很可能是相互依赖的。 【经典实例】 农产品供给模型 在如下农产品供给模型中：，农产品供给（Q）对价格（P）的反映本身存在一个滞后期，意味着，农户在年度t的过量生产（使该期价格下降）很可能导致在年度t+1削减产量；反之，t年的减产又导致t+1年的增产。这时，随机干扰项往往表现出负相关的特征。 2．模型中遗漏了重要的解释变量 若丢掉了应该列入模型的带有序列相关的重要解释变量，那么它的影响必然归并到误差项ut中，从而使误差项呈现序列相关。 【经典实例】 行业生产函数模型 我们在建立行业生产函数模型时，以产出（）为被解释变量，资本（K）、劳动（L）、技术（T）等投入要素为解释变量，选择时间序列数据作为样本观测值，模型表述为：。在该模型中，政策因素等对产出是有影响的，但没有包括在解释变量中，那么该影响被包含在随机误差项中，如果该项影响构成随机误差项的主要部分，则可能出现序列相关性。为什么？对于不同的年份，政策因素的影响具连续性，如果前一年是正的影响，后一年往往也是正的影响，于是在不同的样本点之间随机误差项出现了相关性，这就产生了序列相关性。 3．模型设定偏误 若所用的数学模型与变量间的真实关