ch5-序列自相关2012年计量经济学_PPT教学文稿.pptVIP

第五章 序列自相关 * 主要内容 序列自相关的定义和类型 产生序列自相关的原因 序列自相关的结果 序列自相关的检验 序列自相关的修正 * 一. 序列自相关的定义、类型 在经典线性回归模型基本假定3中，我们假设随机扰动项序列的各项之间不相关， 如果这一假定不满足，则称之为自相关。即用符号表示为 * 序列自相关的类型 一阶自相关（一阶马尔柯夫过程） 二阶自相关 高阶自相关 * 一阶自回归 为随机变量且满足经典假设 0，负自相关 0，正自相关 ：自相关系数 * (2)设定偏误：应含而未含变量的情形 例如，如果真实的回归方程形式为， 其中，解释变量表示牛肉需求量，解释变量分别为牛肉价格、消费者收入和猪肉价格。 但是在作回归时用的是， 如果被忽略的变量存在自相关，则随机项出现自相关。 * (3)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：供给对价格的反应要滞后一个时期，今年的植物种植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误差项是无关的。 * (4) 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收入等其它变量外，还依赖前期的消费支出，如： 设定模型时使用的是， 则可能会出现自相关。因为随机误差项： * (5) 数据的“编造” 在经验分析中，许多数据是经过加工而成的。例如，在用到季度数据的时间序列回归中，季度数据通常由月度数据加总而成。 这种平均的计算减弱了每月的波动而引进了数据的匀滑性 。 * 时间序列数据存在序列相关性 被解释变量除了受至于模型中的解释变量的影响而外，还受到其他因素的作用，如果这种作用具有连续性，一定也会带给被解释变量连续性的影响，即样本点的前后相关。 这是因为被解释变量与随机误差项具有相同的分布（只有数学期望不同而已）。若被解释变量相关，那么随机误差项的前后期之间也必定相关。变量自身前后期间的相关，故称作自相关。 模型设计时，将对被解释变量有影响的因素并入到随机误差项之中，如果这些被遗漏的解释变量的作用成为误差项的主要成分，它们会产生出系统性的、一贯性的作用，从而造成即随机误差项前后期之间存在相关性。 * 三. 序列自相关的后果 OLS估计得到的虽然仍为线性、无偏估计 参数估计量非有效性 即使在大样本下仍不具有渐进有效性 变量的显著性检验失效 模型预测失败 * 四、序列相关性的检验 图解法 DW检验(Durbin-Watson) * 1.时间顺序图 如a图所示，扰动项的估计值呈循环型，并不频繁地改变符号（一个正接一个负），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。 ut O t ut-1 ut (a) 将残差对时间描点 * 正自相关 误差et并不频繁地改变符号，而是几个正之后跟着几个负，几个负之后跟着几个正，则呈正自相关。 et t * 是否存在正自相关 * 负自相关 如b图所示，扰动项的估计值呈锯齿型（一个正接一个负），随时间逐次改变符号，表明存在负自相关。 ut t ut-1 ut (b) * 2. DW检验(Durbin-Watson) DW检验是检验自相关的最著名、最常用的方法。 适用条件 检验步骤 * (1)适用条件 回归模型中含有截距项； 解释变量是非随机的（因此与随机扰动项不相关）； 随机扰动项是一阶自相关； 回归模型解释变量中不包含滞后因变量； 没有缺落数据，样本比较大。 * (2)检验步骤 提出假设 H0：?=0，即不存在一阶自相关； HA：??0，即存在一阶自相关。 构造统计量DW 检验判断 对给定样本大小和给定解释变量个数找出临界值dL和dU，按图中的决策准则得出结论。 怎样查找DW差异显著的临界值？ * D-W统计量 序列正相关 序列负相关 无序列自相关 * DW检验的判断准则 依据显著水平?、变量个数（k+1）和样本大小（n） 不能检出 不能检出 4 * 3. LM检验(Breusch-Godfrey) DW检验只能检验一阶自相关； LM检验既可检验一阶自相关，也可检验高阶自相关。