105如何估计.PPT

10.6 校正OLS标准误的大样本方法：纽维—韦斯特（Newey-West）方法 利用Eviews6，得到回归结果如下： 10.6 校正OLS标准误的大样本方法：纽维—韦斯特（Newey-West）方法 利用Eviews6，得到回归结果如下： 2-* Copyright ? 2006 The McGraw-Hill Companies, Inc. All rights reserved. McGraw-Hill/Irwin 自相关：如果误差项相关会有什么结果？ 第10章 问题 自相关有什么性质？ 自相关的理论与实际后果是什么？ 由于无自相关假定与ui(不能直接观察)有关，那么，如何判断是否存在自相关呢？简言之，实践中如何诊断自相关? 怎样补救自相关问题？ 10.1 自相关的性质 自相关(autocorrelation)是按时间或空间排列的观察值之间的相关关系。 无自相关性假定 任一观察值的扰动项不受其他观察值扰动项的影响。 自相关： 自相关和序列相关。 自相关的可能原因 惯性 模型设定误差 (遗漏变量/不正确的函数形式) 蛛网现象 数据处理 图10-1 自相关的模式 自相关出现时的OLS估计量 如果我们在干扰中通过假定 引进自相关，但保留经典模型的全部其他假定，对OLS估计量及方差来说，会出现什么情况呢？ 以双变量模型为例 给定模型 假定干扰是这样产生的 (1) 其中rho被称为自协方差系数(coefficient of autocovariance)，并且epsilon满足标准OLS假定的随机干扰： 即白噪音误差项(white noise error term)。 (1)表明，t时期干扰项的值等于rho乘以其上一期干扰值与一个纯粹随机误差项之和。 (1)被称为马尔科夫一阶自回归模型(Markov first-order autoregressive scheme)或简称一阶自回归模型，记作AR(1). 以此类推AR(2), AR(3)…… Rho又称一阶自相关系数。 给定AR(1)，可以证明： (3) (4) (5) 由于rho是一个介于-1和1之间的常数，所以(3)表明，在AR(1)下，u(t)的方差仍是同方差的，但u(t)不仅与其过去一期的值相关，与过去几期的值也相关。 另外，若rho的绝对值小于1，AR(1)过程是平稳的；即u(t)的均值、方差和协方差不随时间而变化。 回到双变量回归模型，斜率系数的OLS估计量是 方差 在AR(1)下，可以证明此估计量的方差 比较上面两个方差公式可以发现，前者等于后者乘上带方括号的一项，这一项既取决于rho，又取决于回归元X在各种滞后值之间的样本自相关系数。 一般而言，我们不知道var(b2)是小于还是大于var(b2)AR1。 如果rho=0，两者一样。 如果回归元的连续值之间的相关系数很小，则斜率估计量通常的OLS方差将不会严重偏误。 一般而言，两个方差不应该相同。 可以证明，OLS估计量仍然是线性无偏的，但不再有效，不再是BLUE。 自相关出现时的BLUE 继续利用双变量模型并假定AR(1)过程，可以证明beta2的BLUE估计量是 其中C是一校正因子，在实际中可以忽略。 方差是 直观上，这里为什么GLS估计量是BLUE，而OLS估计量不是？——GLS估计量最大地利用了现有的信息。 如果rho=0，GLS和OLS两个估计量相同。 10.2 自相关的后果 最小二乘估计量仍然是线性的和无偏的。 最小二乘估计量不是有效的。 OLS估计量的方差是有偏的。 通常所用的 检验和 检验是不可靠的。 计算得到的误差方差， （残差平方和/自由度），是真实 的有偏估计量，并且很可能低估了真实的 。 通常计算的 不能测度真实的 。 通常计算的预测方差和标准误也是无效的。 10.3 自相关的诊断 图形法 图10-3 回归方程（10.4）的残差 10.3 自相关