古扎拉蒂教材9-经济学信息资源系统.DOC

自相关 让我们回忆古典线性回归假设中对扰动项ui 的要求: 总体回归函数的扰动项ui无序列相关或无自相关。但在实际研究中，误差项常常不满足上述假定。本章要讨论以下问题： 自相关性质是什么？ 自相关的理论与实际结果是什么？ 如何诊断自相关？ 如果发现比较严重的自相关，如何采取补救措施？ §7.1 自相关的性质 自相关就是指总体回归方程的误差项ui之间存在着相关，即：在时间（如在时间序列数据中）或空间（如在截面数据中）按顺序所列观察值序列的各成员间存在着相关。 正如异方差的产生常常与截面数据有关，自相关问题通常与时间序列数据有关。但截面数据中也可能产生自相关问题。 古典线性回归模型中扰动项ui中不存在自相关可表示为： E(uiuj) = 0, i(j (7.1) 其含义为两个不同误差项ui和uj的乘积的期望是零，即，任一观察值的扰动项不受其他观察值扰动项的影响。例如，在分析消费支出与家庭收入的时序数据时，本期家庭收入的增加，只影响本期消费支出，对以后的消费支出没有影响。 如果不同误差项之间存在着依赖关系，即ui存在自相关，则可表示为： E(uiuj) ( 0, i(j (7.2) 这种情况下，本期家庭收入的增加，可能会影响下一期或以后几期的消费支出。 由于我们无法观察到总体扰动项ui，我们只能通过样本扰动项ei来判断ui的行为。如果ui或ei呈现出图7.1中a ~ d的形式，则表示ui自相关，如果ui或ei呈现图7.1 中e的形式，则表示ui不存在自相关。 §7.2 自相关产生的原因 §7.2.1 惯性 多数经济时间序列都存在惯性。如国民生产总值、就业、货币供给、价格指数、消费、投资等，都呈现周期波动。当经济复苏时，由萧条的底部开始，大多数经济序列向上移动，在向上移动的过程中，序列某一点的值会大于其前期值。这种向上的“动力” 存在，直到经济开始衰退。在经济衰退期间，序列某一点的值可能会小于前期值，这种“阻力”存在，直到经济开始复苏。因此，在涉及时间序列的回归方程中，连续的观察值之间很可能是相关的。 §7.2.2 模型设定误差 有时自相关的发生并不是因为连续观察值之间相关，而是由于回归方程没有正确设定。模型设定不当意谓着模型中遗漏了本应包括在模型中的重要变量，或模型选择了错误的函数形式。如果发生了这样的模型设定错误，则从不正确的模型中得到的残差会呈现自相关。检验是否由于模型设定错误而导致的残差自相关的方法为：将略去的变量加入到模型中，检验残差是否存在自相关。如果加入省略变量后模型的残差不存在自相关，则可以判定序列相关是由于模型设定错误而引起的。 §7.2.3 蛛网现象 许多农产品的供给都是呈现出蛛网现象，即供给对价格的反应滞后一个时期，因为供给决策的实现需要一定的时间。因此，种植谷物的农民本年度的计划受上一年度价格的影响，所以他们的供给函数为： 供给t = B0 ＋B1Pt-1＋ut (7.3) 假设在t时期末，价格Pt低于Pt-1，于是在t+1期初，农民决定比t时期少生产一些，则t+1期的产量会低于t期。显然在这种情况下，扰动项并不是随机的。因为农民在第t年生产多了，到他们可能会第t+1年少生产一些。这样下去，就会形成蛛网模式。 §7.2.4 滞后效应 在消费支出对收入的时间序列回归中，我们常常会发现当前时期的消费支出除了依赖于其他变量外，还依赖于前期的消费支出，就是： 消费t =Bt＋收入t＋消费t-1＋ut (7.4) 出现这种现象的原因是由于心理、技术及制度上的原因，消费者不轻易改变他们的消费习惯。如果我们忽略了(7.4)中的滞后项，误差将由于滞后消费对当前消费的影响而反映出一种自相关的形式。 §7.2.5 数据加工 在经济分析中，原始数据往往是经过加工得到的。例如，在用到季度数据的时间序列回归中，这些数据通常来自于每月数据，只不过是把３个月的观测值加在一起罢了。这种数据加工方式减弱了每月数据的波动而引进数据的匀滑性。因此，用季度数据描绘的图形要比用月度数据看来匀滑得多。这种匀滑性本身就能使扰动项中出现自相关。其他常用的数据加工方法有内插法或外推法。 用这些方法加工得到的数据都会给数据带来原始数据没有的系统性，这种系统性可能会造成误差自相关。 §7.3 自相关的后果 如果误差项存在自相关，会产生什么后果呢？使用普通最小二乘法得到的估计量的性质会受什么影响呢？ OLS估计量似然是线性无偏的。 OLS估计量不是有效的。 OLS估计量的方差是有偏的。有时候用来计算方差和OLS估计量标准差的公式会严重低估真实的方差和标准差，从而导致t值变大。这会使某个系数表面看起来显著不为零，但事实并非如此。 通常所用的检验一般来说是不可靠的。这是由于参数OLS估计量的方差增大，标准差也增大，在参数显著性检验