第四章-特殊变量.ppt

（三）局部调整（partial adjustment）模型 在实际经济活动中，还会遇到为了适应一个变量的变化，另一个变量有一个理想的最佳值与之对应的现象。 例如，企业为了确保生产或供应，对应于一定的产量或销售量，必须保持一定的原材料或产品储备，存在着理想的最佳库存量；再如，为了确保一国经济健康发展，中央银行必须保持一定的货币供应，对应于一定的经济总量水平，应该有一个理想的最佳货币供应量。 也就是说，一个变量的现值影响另一个变量理想的最佳值。 度量变量之间这种关系的最简单的模型可以表示为： 其中， 为被解释变量Yt的理想最佳值，Xt为解释变量的现值。 在回归分析中，存在着与自适应预期模型同样的问题，即如何获取模型中的理想最佳值的问题，因此也需要对理想最佳值的形成机理做出某种假设，局部调整假设就是其中之一。 局部调整假设认为，变量Yt 的实际变化仅仅是理想最佳变化的一部分，用数学形式表示就是： 其中， 为调整系数。上式改写为： 从式（4.3.34）可看出， Yt是现期理想值和前期实际值的加权平均。 的值越高，调整过程越快。若 则 ,在一期内实现全调整；若 ，则根本不作调整。 通常将满足局部调整假设模型（4.3.32）称为局部调整模型（Partial adjustment model）。 令 将（4.3.32）式代入（4.3.34）式，并整理得到 这说明局部调整模型本质上也是一个一阶自回归模型。 如果能得到（4.3.36）式参数 的估计值 ，便可求得局部调整模型（4.3.32）中的参数 的估计值。 若局部调整模型（4.3.32）满足经典假定条件，则模型（4.3.36）的随机干扰项 具有零均值、无自相关性和同方差因性，而且 例4-9 林特纳（Lintner）的股息调整模型 四、一阶自回归模型的估计 　　库伊克模型 、自适应预期模型与局部调整模型，在模型结构上最终都可表示为一阶自回归模型的形式，因此，对这三个模型的估计就转化为对一阶自回归模型的估计。 主要会遇到两个问题：（1）模型中含有随机解释变量Yt-1很可能与随机干扰项vt相关，使OLS估计成为有偏估计；（2）模型很可能存在自相关性，这样OLS估计非有效。下面分别讨论不同情况下的估计问题。 但利用最小二乘法估计一阶自回归模型： 在局部调整模型中，由于 ，这样若ut不存在自相关性，则vt也自然不存在自相关性。而且，因为Yt-1 依赖于vt-1，由于vt-1与vt互不相关，得到Yt-1和vt也是互不相关的。局部调整模型满足经典假定条件。因此，仍然可以使用OLS估计模型。 （一） vt不存在自相关性 （二）vt存在自相关性 在库伊克模型和自适应预期模型中,由于 这使得随机干扰项vt存在一阶自相关性，而且vt还与随机解释变量Yt-1相关。 此时，一般是设法先消除模型中随机解释变量与随机干扰项的相关问题，然后再利用广义差分法消除自相关性的影响。消除随机解释变量Yt-1与随机干扰项vt的相关性，可以采用工具变量法，以得到其参数的一致估计量。 　 关于随机干扰项是否存在自相关的诊断，前面我们曾介绍过DW检验法，但这一检验法不合适于方程中含有滞后被解释变量的场合（见DW检验的假设条件）。为此，德宾（Durbin）提出了检验一阶自相关的h统计量。 　 当随机干扰项一阶自相关时，德宾将自相关系数 的估计值 用下列公式近似计算 其中d为DW统计量的值。 h统计量定义为 （4.3.40） 式中, n是样本容量， 为滞后被解释变量Yt-1的回归系数的估计方差。 德宾证明了在 的假定下,h统计量的极限分布为标准正态分布。因此，在大样本情况下，可以用h统计量值判断随机干扰项vt是否存在一阶自相关。 值得注意的是，该检验法可适用于任意阶的自回归模型。该检验是针对大样本的，用于小样本效果较差。 解释变量的滞后阶数越高，对Y的影响就越小。 解释变量的滞后阶数越高，对Y的影响就越小。 当滞后变量的回归系数变得在统计上不显著，或者至少有一个变量的系数估计值符号发生变化，由正变负或由负变正，序贯回归过程即告终止。 经过分析比较从中确定“最佳”方程作为回归模型的估计。 （二）经验加权估计法 　 所谓经验加权估计法，是根据实际经济问题的特点及经验判断，对滞后变量赋予一定的