第三章第二节序列相关（自相关）.pptVIP

第三章 第二节 序列相关（自相关） Xianglan 一、自相关产生的背景和原因 无论是在一元还是多元线性回归模型中，我们总假设其随机误差是不相关的，即 cov(Ei,Ej）＝0 I不等于j 上式表示不同时点的误差项之间不相关。 如果一个回归模型不满足上式，即 cov(Ei,Ej)不等于0,则称随机误差项之间存在着自相关现象。 这里的自相关现象不是指两个或两个以上的变量之间的相关关系，而是指一个变量前后期数值之间存在的相关关系。 产生自相关的背景及其原因： 1、遗漏关键变量时会产生序列的自相关性。 （见《回归分析》P104） 2、经济变量的滞后性给序列带来自相关性。 例如：物价指数、基建投资、国民收入、消费、货币发行量等都有一定的滞后性。 3、采用错误的回归函数形式也可能引起自相关性。 4、蛛网现象（cobweb phenomenon)可能带来序列自相关性。 5、因对数据加工整理而导致误差项之间产生自相关性。 二、自相关性带来的问题 当线性回归模型的随机误差项存在序列相关时，就违背了线性回归模型的基本假设，如果仍然直接用OLS估计未知参数，将会产生严重后果： 1、参数的估计值不再具有最小方差线性无偏性。 2、均方误差MSE可能严重低估误差项的方差。 3、容易导致对t值评价过高，常用的F检验和t检验失效。（如果忽略这一点，可能导致得出回归参数统计检验为显著，但实际上并不显著的严重错误结论。 4、当存在序列相关时，参数的估计值是理论值的无偏估计量，但在任一特定的样本中， 可能严重歪曲B的真实情况，即OLS对抽样波动变得非常敏感。 5、如果不加处理运用OLS估计模型参数，用此模型进行预测和进行结构分析将会带来较大的方差甚至错误的解释。 三、自相关性的诊断 （一）图示检验法 图示法是一种直观的诊断方法，它是把给定的回归模型直接用OLS估计参数，求出残差项et,et作为随机项ut的真实值的估计值，再绘出et的散点图，根据et的相关性来判断随机项ut的序列相关性。 （二）自相关系数法 误差序列 （三）DW检验 DW检验是J.Durbin和G.S.Watson于1951年提出的一种用于小样本的检验方法。DW检验只能用于检验随机扰动项具有一阶自回归形式的序列相关问题。这种检验方法在一般的计算机软件上都可以计算出DW值。 结合教材P64的图3.2,DW检验示意图，更容易记忆。 需要注意的是，DW检验尽管有着广泛的应用，但也有明显的缺点和局限性： 1、DW检验有两个不能确定的区域，一旦DW值落在这两个区域，就无法判断。这时，只有增大样本容量或选取其他方法。 2、DW统计量的上、下界表要求n＞15,这是因为样本如果再小，利用残差就很难对自相关的存在性作出比较正确的诊断； 3、DW检验不适应随机项具有高阶序列相关的检验。 四、自相关问题的处理方法 当一个回归模型存在序列相关性时，首先要查明序列相关产生的原因。如果是回归模型选用不当，则应改用适当的回归模型；如果是缺少重要的自变量，则应增加自变量；如果以上两种方法都不能消除序列相关性，则需要采用差分法、自回归法、移动平均法，或者这些方法的综合处理。 这里介绍迭代法和差分法 （一）迭代法 以一元线性回归模型为例，设一元线性回归模型的误差项存在一阶自相关 （二）差分法 差分法就是用增量数据代替原来的样本数据，将原来的回归模型变为差分形式的模型。一阶差分法通常适用于原模型存在较高程度的一阶自相关的情况。在迭代法4.22式中，当p＝1时，得 广义差分变换见教材P67 （三）实例分析 * *