eviews-4.自相关.pptVIP

自相关（序列相关） 主要内容 自相关的概念 自相关产生的原因 自相关性的后果 自相关性的识别 自相关性的修正 一、自相关的概念 在古典线性回归模型中，我们假定随机误差项序列的各项之间独立，即 Cov(ui, uj ) = E(ui uj) = 0, (i, j ? T, i ? j), 任一次观测的干扰项都不受任何其他观测的干扰项影响 例：上月某个特殊事件对家庭消费支出产生的影响不会波及到本月的消费支出。 如果上述假定不满足，则称之为自相关（序列相关），即： Cov (ui , uj ) ? 0, (i ? j) 自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。 比如: 自相关按形式可分为两类 (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。 比如: 二、自相关产生的原因 (1) 模型的数学形式不妥 若所用的数学模型与变量间的真实关系不一致，误差项常表现出自相关 例如，在商品需求函数中，如果解释变量只有收入和商品自身的价格，则随机误差项中将包含其他商品价格对该商品需求的影响；由于价格变量一般是逐期相关的，其对被解释变量的影响也具有连续性，从而使模型产生了序列相关性。 例如： 一个企业的固定资产的形成，不仅与当期固定资产投资有关，还与前期多年固定资产投资相关 农作物的单位面积产量，不仅取决于当年投入的生产要素的数量与质量，而且还与往年投入物的数量与质量有关 如果模型忽略了这些前后相联的因素的影响，误差项的系统性影响就会在模型中体现出来，产生序列相关问题 Durbin-Watson检验 该方法的假定条件是： Durbin-Watson检验思想 原假设：H0: ?=0， 即不存在一阶自回归，构如下造统计量： LM检验（Breusch-Godfrey BG） 对于多元回归模型 考虑误差项为n阶自回归形式 其中， 为随机项，符合各种假定条件。零假设为 LM检验（Breusch-Godfrey BG） LM统计量：  的R平方 LM检验步骤： 做Yt对X1t,X2t,……，Xkt的OLS回归，求出残差et 对式进行回归 计算LM统计量 回归检验法 第二步，建立et与et-1、et-2的相互关系模型。由于它们相互关系的形式和类型是未知的，需要用多种函数形式进行试验，常用的函数形式主要有： 第三步，对于不同形式的et与et-1、et-2的相互关系模型，用普通最小二乘法进行参数估计，得出回归估计式，再对估计式进行统计检验。 如果检验的结果是每一种估计式都不显著的，就表明et与et-1、et-2是不相关的，随机误差项之间不存在序列相关性 如果通过检验发现某一个估计式是显著的（若有多个估计式显著就选择最为显著的），就表明et与et-1、et-2是相关的，随机误差项之间存在序列相关性，相关的形式就是统计检验显著的回归估计式，相关系数就是该估计式的参数估计值。 五、自相关的修正 修正方法：变换原回归模型，使变换后模型的随机误差项消除自相关，进而利用普通最小二乘法估计回归参数 AR(1)模型修正：GLS（广义差分） 设原回归模型为: 其中随机误差项存在一阶自回归形式： 其中 满足模型的假定的条件. 上述变换损失了一个观测值，为了避免这种损失，可对第一个观测值作如下变化： 如果随机误差项存在高阶自回归形式： 其中 满足模型的假定的条件. 则其广义差分变换为 自相关系数的估计——DW法 用DW统计量的值计算ρ 自相关系数的估计——Durbin两步法 Durbin两步法 根据广义差分回归模型： 移项得： Durbin两步法： 第一步：对模型进行回归，Yt-1的系数即为 第二步：进行广义差分变换和GLS估计 自相关系数的估计——迭代估计或科克伦—奥克特(Cochrane-Orcutt)估计 迭代估计法就是根据 的近似估计值，通过一系列的迭代运算，逐步提高 的近似估计精度。 具体步骤为： （1）利用OLS估计模型： 得到第一轮残差et(1) 。 （2）根据残差et(1)计算 的第一轮估计值 （3）利用估计的 进行广义差分变换 并估计相应的广义差分模型，计算第二轮残差et(2)。 （4）根据残差et(2)计算 的第二轮估计值 （5）重复执行（3）、（4）两步，直到 的前后