第九章 自相关分析.pptVIP

第九章 自相关分析 第九章 自相关分析 本章学习目的： 经典线性模型有一个重要假定，即回归函数中的干扰项 没有自相关或者序列相关。本章我们将深入分析这一假定。存在自相关的情况和存在异方差的情况一样，它虽然能保证OLS估计量是无偏的，但却不再是所有线性无偏估计量中的最小方差者。 第一节 自相关及其性质 第一节 自相关及其性质 自相关：指回归模型中误差项之间的协方差不等于零，即 ，残差项之间存在某种相关关系。 相关时有两种情况，第一种情况是横截面数据下的 相关，通常称为空间相关；第二种情况是时间序列数据下的 相关，通常称为序列相关。 第一节 自相关及其性质 自相关的来源： （1）经济变量的变化具有一定的倾向性。 （2）缺乏应有变量的设定偏差。 （3）不正确的函数形式的设定错误。 （4）蛛网现象和滞后效应。 （5）随机误差项的特征。 （6）数据拟合方法造成的影响。 第二节 自相关下的OLS估计 （1） 是Y的线性函数； （2） 是 的无偏估计； （3） 的协方差矩阵为 ； （4） 不是 的最小方差线性无偏估计； 第二节 自相关下的OLS估计 （5） 如果存在， 那么 是 的一致估计 （6） 不是 的无偏估计； （7） 不是 的一致估计。 第三节 自相关检验 一、D-W检验 这种检验适用于小样本情况下的自相关检 验，所用到的d统计量的公式为： 第三节 自相关检验 二、h检验 D-W检验的一个前提条件就是解释变量是非随机的。当滞后的被解释变量作为解释变量时，就不能利用D-W检验，而要用h检验。H统计量的计算公式为： 其中， 第三节 自相关的检验 三、Von-Neumann比检验 Von-Neumann比统计量的计算公式为： 第三节 自相关的检验 当n很大时，Von-Neumann比服从正态分布 ~N(0,1) 第三节 自相关的检验 四、残差自回归检验 这是一种通过估计残差自回归模型检验自相关的方法。其步骤是： 第一，利用线性模型的最小平方估计结果，计算残差 ； 第二，建立各种可能的残差自回归模型 其中，b的取值可以任意，然后对这些模型进行估计； 第三节 自相关的检验 第三，对上述模型结果进行假设检验，找出在统计上显著成立的估计式； 第四，比较这些显著成立的估计式，确定最优的拟合形式，并以此作为 的自相关形式。 这样做虽然计算量较大，但是却可以得到自相关的具体形式以及自相关系数的估计值。 第四节 自相关模型的参数估计方法 广义差分：是指后一个值减去前一个值或者前几个值的某个倍数的差分。例如一阶广义差分形如： 第四节 自相关模型的参数估计方法 对于模型 进行广义差分法参数估计的步骤为： （1）对于原模型进行最小平方估计，并且计算残差项 ； （2）利用计算所得的 进行D-W检验，如果存在自相关，那么继续下面的步骤； 第四节 自相关模型的参数估计方法 （3）利用 作为 的估计量； （4）对原来的解释变量和被解释变量进行广义差分，公式如下： 第四节 自相关模型的参数估计方法 （5）重新对模型 进行估计，得到要估计的参数 。 第五节 广义最小平方估计方法 广义线性模型：将经典线性回归模型 中的一个假定 改变成 ，其中 为正定对称矩阵，那么这样的模型就称为广义线性模型。 第五节 广义最小平方估计方法 广义最小平方估计：在广义线性模型中， 称为参数 的广义最小平方估计。 第五节 广义最小平方估计方法 异方差与自相关的相同之处在于，他们都破坏了经典线性模型中对于残差项的协方差矩阵 的假设。当存在