- 1、本文档共13页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
广义差分法与自相关系数估计
2. 广义差分法;称(3)式为广义差分变换。(2)式可表示为:
(4)
其中:
(4)式是经广义差分变换得到的模型,称为广义差分模型。
变换后扰动项满足基本假定,故对(4)式作OLS回归,得估
计值 、 ,进而得到:
此法称广义差分估计法。
在(3)式中,若 ,则(3)式变为:
(5)
此时(5)式称为差分变换。只要 ,则 ,
就可以用一阶差分法对模型进行变换。;②若有多元回归模型
(t=1,2…n)(6)
存在一阶自相关:
其中: vt为满足基本假定的扰动项
同理可进行下面类似的广义差分变换:
,j=1,2,…,k
可得满足基本假定的广义差分模型:
(t=2,3,…,k)
其中:
则有:
而上式中的 就是原模型(6)中的;广义差分模型不存在序列相关问题,可进行OLS估计。 ;3.自相关系数 的估计;(1)利用DW统计量求 ,再用广义差分法估计模型。
大样本下,有: ,
得近似估计:
小样本下,有:
其中:k为解释变量个数。当n ∞时,
若 是 的估计, 为 、 的相关系数,则 、 的相关系数可作为 的近似估计:;(2)科克伦-奥科特迭代法;④利用 建立一阶差分函数
⑤广义差分变换后对广义差分模型作OLS估计,并检验残差序列 ( 的第一次估计值)的自相关性。
如果无自相关,则计算结束,求出 。
如果有自相关,则继续计算求出 的第二次(或下一次)估计值,即求出:
⑥将 代入原模型中,得新的一阶差分函数
; 这样经反复计算估计⑤、⑥式,类似地,可进行第三次、第四次迭代。可求得若干 的估计值,直到 的估计值满足给定的精度为止。
关于迭代的次数,可根据具体的问题来定。
一般是事先给出一个精度,当相邻两次?1,?2, ? ,?p 的估计值之差小于这一精度时,迭代终止。
实践中,有时只要迭代两次,就可得到较满意的结果。两次迭代过程也被称为科克伦—奥科特两步法。
经过这种反复计算得到的 的估计值一般具有较高精度,对自相关的修正效果较好。 ;(3)杜宾(durbin)两步法
设一元回归模型
存在一阶自相关
其中 满足基本假定的扰动项。
第一步,
①先对模型进行广义差分变换模型,得:
②整理得:
这是一个满足基本假定的三元线性回归模型,其中解释变量 的回归系数恰好是 。
③对此模型进行OLS估计得 的估计值,即:
LS Y C Y(-1) X X(-1)
可得到 的估计值 。;
第二步,再用 的估计值 对原模型进行广义差分变换,并估计广义差分模型(见前面广义差分)。
此法称为Durbin两步估计法。
此法适用于多元线性回归模型。
Durbin两步估计法不但求出了自相关系数 的估计值 ,而且也得出了模型参数的估计值,因此它是一种简单而行之有效的方法。; 在Eviews中,广义差分采用了科克伦-奥科特(Cochrane-Orcutt)迭代法估计?。
在解释变量中引入AR(1)、AR(2)、…,即可得到参数和ρ1、ρ2、…的估计值。
其中AR(m)表示随机误差项的m??自回归。在估计过程中自动完成了ρ1、ρ2、…的迭代。;Eviews广义差分法估计的具体步骤:
(1)用OLS估计模型
(2)用LM确定自相关类型
(3)用广义差分估计模型。若自
文档评论(0)