自相关干扰.pptVIP

7.1 自相关（autocorrelation）干扰 称为一阶列相关，或自相关（autocorrelation） 简单记号（自协方差） 自相关系数 方差与协方差 6.4.1自相关的形式:自回归和移动平均 一阶移动平均MA(1) 4、一阶自回归AR(1)扰动项的特性 5 、一阶移动平均MA(1)扰动项的特性 一阶移动平均MA(1)扰动项的特性：与自回归过程不同，MA过程有一个短暂的有限记忆，只受到当期和前一期值的影响。 6.4.2 自相关的来源 1、经济变量固有的惯性 2.设定偏误：应含而未含变量的情形 3.设定偏误：不正确的函数形式 例如：如果真实的回归方程形式为: 其中，因变量为边际成本，解释变量为产出及产出的平方。 如果作回归是选用的是： 则会出现自相关，其形式为： 4.蛛网现象 许多农产品的供给表现出一种所谓的蛛网现象。 例如，供给价格的反应要滞后一个时期。今年种植的作物是受去年流行的价格影响的，因此，相关的函数形式是： 这种现象就不能期望扰动项是随机的。 5.滞后效应 例如：在消费支出对收入的时间序列分析中，当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。即： 如果作回归是选用的是： 则会出现自相关。 6.数据的“编造” 2、变量的显著性检验失去意义 在变量的显著性检验中，统计量是建立在参数方差正确估计基础之上的，这只有当随机误差项具有同方差性和互相独立性时才能成立。 3、模型的预测失效 区间预测与参数估计量的方差有关，在方差有偏误的情况下，使得预测估计不准确，预测精度降低。 所以，当模型出现序列相关性时，它的预测功能失效。 6.6 自相关的检验 6.6.1 DW检验（Durbin-Watson） DW检验 （3）检验判断 6.6.4 高阶自相关的布罗施——戈弗雷[Breusch-Godfrey]检验 拉格朗日乘数（Lagrange multiplier）检验 如果模型被检验证明存在序列相关性，则需要发展新的方法估计模型。 1、广义最小二乘法 对于模型 Y=X?+ ? 如果存在序列相关，同时存在异方差，即有 2、广义差分法 广义差分法是将原模型变换为满足OLS法的差分模型，再进行OLS估计。 注意： 广义差分法就是上述广义最小二乘法，但是却损失了部分样本观测值。 如：一阶序列相关的情况下,广义差分是估计 3、随机误差项相关系数的估计 应用广义最小二乘法或广义差分法，必须已知随机误差项的相关系数?1, ?2, … , ?L 。 实际上，人们并不知道它们的具体数值，所以必须首先对它们进行估计。 常用的估计方法有： （1）科克伦-奥科特迭代法。 类似地，可进行第三次、第四次迭代。 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, ? ,?L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。 应用软件中的广义差分法 在Eview/TSP软件包下，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阶自回归。在估计过程中自动完成了ρ1、ρ2、…的迭代。 如果能够找到一种方法，求得Ω或各序列相关系数?j的估计量，使得GLS能够实现，则称为可行的广义最小二乘法（FGLS, Feasible Generalized Least Squares）。 FGLS估计量，也称为可行的广义最小二乘估计量（feasible general least squares estimators） 可行的广义最小二乘估计量不再是无偏的，但却是一致的，而且在科克伦-奥科特迭代法下，估计量也具有渐近有效性。 前面提出的方法，就是FGLS 图解法 时间序列图（Time Sequence plot):将残差对时间描点。 如图（a）所示，扰动项的估计值呈循环形，并不频繁 地改变符号，而是相继若干个正的以后跟着几个负的。 表明存在正自相关。 t (a) (b) 如（b）图所示，扰动项的估计值呈锯齿状，随时间 逐次改变符号，表明存在负相关。 t DW检验是检验自相关的最著名的、最常用的方法。 1、使用条件 （1）回归模型中含有截距项； （2）解释变量是非随机的（因此与随机扰动项不 相关） （3）随机扰动项是一阶自相关； （4）回归模型中不把滞