广义差分法与自相关系数估计.ppt

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