计量研2011—第5章.pptVIP

第五章 自相关模型 第五章 第一节 这时我们称模型的扰动项存在自相关，或称扰动项序列相关，这时的模型称为自相关模型或序列相关模型。自相关模型本质上指扰动项前后之间存在线性相关关系。当解释变量为非随机的经典假设成立时，它等价于被解释变量的序列是自相关的。 自相关定义：扰动项存在自相关 考察：残差存在自相关 误解：解释变量存在自相关 序列无关：用OLS估计。 序列相关：广义最小二乘法（GLS） 广义差分变换 自相关问题主要出现在时间序列数据模型中，因此，在本章，一般情况下，变量的下标用时间下标t 。 自相关有阶数之分。 1. 一阶自相关 当模型扰动项u t只与其滞后一期即u t-1相关，而与其他u t-2，u t-3，…，不相关时，称扰动项具有一阶自回归形式的相关，简称一阶自相关，可表示为： 2．s阶自相关 当模型扰动项ut与其滞后一期ut-1、滞后二期ut-2、…滞后s期ut-s相关，与其滞后s+1期等等不相关时，称扰动项具有s阶自回归形式的相关，简称扰动项具有s阶自相关，可表示为： 当s=2时，为二阶自相关。一般来说，实际经济应用中出现较多的为一、二阶自相关，最常见的是一阶自相关。 二、自相关产生的原因 自相关主要出现在时间序列数据模型中，由于随着时间的推移，许多经济变量本身前后期之间常常会出现一定程度的自相关。比如本期消费与上期消费、本期收入与上期收入、本期投资与上期投资之间等等。自相关产生的原因主要有以下几个方面： 1．经济冲击的惯性作用 经济冲击是指对社会经济生活产生重大影响的一些随机事件，比如，地震、洪水、战争、罢工、政治风波、金融危机等事件。在某一时期发生的经济冲击，不仅影响本期的经济生活，而且经济冲击一般具有惯性作用，它对其后的经济生活也会延续产生影响。 2．设定误差的影响 （1）模型回归函数的设定误差。对于线性回归模型，由于被解释变量与解释变量的总体我们并不是精确了解，而只能是根据其样本变化规律来设定总体的回归函数，也许真实的总体回归函数并不是线性的，而只是接近于线性或者甚至是非线性的，这样，在所用回归函数与真实回归函数之间就出现了误差，由第一章可知，这一误差被并入扰动项中，当这一误差存在自相关时，就给扰动项带来了自相关。 （2）省略解释变量的误差。 像第一章中谈到的，实际操作过程中，不可能将对被解释变量有影响的所有解释变量统统考虑进来，只能是选取主要的以及可以量化的变量，所省略的解释变量也被并入扰动项中，当所省略的解释变量存在自相关时，可能给扰动项带来自相关。 3．数据处理的结果 在模型的实际应用中，由于有些数据取得连续的时间序列资料较为困难，对于中间所缺少的数据，研究者常常采用一定的数据补缺方法进行补充。比如，人口普查数据，我国4年才做一次，这一数据可以较为真实地反映我国的人口数，4年中间的人口数据要么用数据内插的方法进行补充，要么用按照常驻人口数统计而得的数据。 第五章 第二节 回顾OLS估计量的线性、无偏性的证明过程，我们可以看出，这两点的证明中用到的是解释变量非随机性、零均值性等，没有用到扰动项的序列无关性及同方差性，因此，如果模型仅仅是自相关问题，经典假设的其他条件仍然满足，这时OLS估计量仍然是线性、无偏的。 2．自相关破坏了OLS估计量的有效性 一方面，OLS估计量的有效性证明中要用到扰动项的序列无关性及同方差性假设，如果扰动项为自相关，则有效性证明遇到了障碍；另一方面，可以证明，扰动项存在一阶正的自相关时，回归参数的OLS估计的方差估计量小于其真实的方差，即OLS估计低估了参数的方差，同样也可能低估了总体的方差。 3．自相关使OLS估计量的t-显著性检验及模型预测结果失效 由于对于自相关模型，OLS估计可能会低估了其参数的方差，故而高估了其t-值的绝对值（因为t-值的绝对值与方差成反比），于是，即使t-检验的结果为显著，而实际上参数也未必显著。同样，由于预测的可信度与总体的标准差成反比，那么，总体方差的低估，使标准差也低估，从而也就高估了预测可信度，于是，OLS给出的预测精度高于实际的可信度，也就是说，预测结果不再可信。 二、自相关的检验 由于自相关问题使模型的OLS估计结果产生了以上问题，因此，我们必须对模型是否存在自相关进行