4违背基本假定问题(2)序列相关性.ppt

步骤 对一元模型进行OLS估计； 进行序列相关检验，存在正相关； 分析产生序列相关的原因，为了消除虚假相关，引入时间趋势项； 估计新模型，经D.W.检验，仍然存在正相关； 进行LM检验，判断存在1阶序列相关； 采用广义差分法估计模型； 采用稳健标准误方法估计模型。 广义差分法（选择2阶差分） 广义差分法（选择2阶差分） Newey-West standard errors 序列相关稳健标准误法 Newey-West standard errors 如果模型存在虚假序列相关 1）引入时间变量T（平方的形式） D.W.检验：存在正的自相关 LM检验（1阶相关） 模型存在 1阶序列相关？？？ LM检验（2阶相关） 模型不存在 2阶序列相关？？？ 广义差分法（选择1阶差分） 给定显著水平0.05 n=28 dL=1.18,dU=1.65 根据D.W.检验无法判断模型是否存在相关性。 模型不存在 1阶序列相关？？？ * 一、序列相关性的概念 二、序列相关性的后果 三、序列相关性的检验 四、具有序列相关性模型的修正 §4.2 序列相关性 Serial Correlation 一、序列相关性的概念 在其他假设仍成立的条件下，随机扰动项序列相关即意味着: 1、序列相关性 Var 一阶序列相关，或自相关 ρ称为自协方差系数（coefficient of autocovariance）或一阶自相关系数（first-order coefficient of autocorrelation） 2、实际经济问题中的序列相关性 没有包含在解释变量中的经济变量固有的惯性。 模型设定偏误（Specification error）。主要表现在模型中丢掉了重要的解释变量或模型函数形式有偏误。 数据的“编造”。 经验告知： 时间序列数据作为样本时，一般都存在序列相关性。 截面数据作为样本时，一般不考虑序列相关性。 二、序列相关性的后果Consequences of Using OLS in the Presence of Autocorrelation 参数估计量非有效 变量的显著性检验失去意义 模型的预测失效 ——与异方差性引起的后果相同 三、序列相关性的检验Detecting Autocorrelation 序列相关性检验方法有多种： 一、图示法 二、回归检验法 三、杜宾—沃森检验 四、拉格朗日乘子检验 然后，通过分析这些“近似估计量”之间的相关性，以判断随机误差项是否具有序列相关性。 基本思路: 1、图示法 2、回归检验法 …… 如果存在某一种函数形式，使得方程显著成立，则说明原模型存在序列相关性。 回归检验法的优点是： 能够确定序列相关的形式； 适用于任何类型序列相关性问题的检验。 3、杜宾-瓦森（Durbin-Watson）检验法 杜宾（J.Durbin）和瓦森(G.S. Watson)于1951年提出的一种检验序列自相关的方法。 该方法的假定条件是： 解释变量X非随机； 随机误差项?i为一阶自回归形式：?i=??i-1+?i ； 回归模型中不应含有滞后应变量作为解释变量； 回归含有截距项。 对原模型进行OLS估计，用残差的近似值构造统计量。 该统计量的分布与出现在给定样本中的X值有复杂的关系，因此其精确的分布很难得到。 但是，他们成功地导出了临界值的下限dL和上限dU ，且这些上下限只与样本的容量n和解释变量的个数k有关，而与解释变量X的取值无关。 H0: ?=0 D.W. 统计量: D.W检验步骤: 计算DW值 给定?，由n和k的大小查DW分布表，得临界值dL和dU 比较、判断 0D.W.dL 存在正自相关 dLD.W.dU 不能确定 dU D.W.4－dU 无自相关 4－dU D.W.4－ dL 不能确定 4－dL D.W.4 存在负自相关 说明：当D.W.值在2左右时，模型不存在一阶自相关。 例如 给定一个含有50个观测值的样本和3个解释变量,如果 （a）D.W.=1.05，（b）D.W.=1.40， （c）D.W.=2.50，（d）D.W.=3.97 你能对自相关的问题说些什么？？ 解： 根据D-W检验判断准则可知 （b）D.W.=1.40 ，随机误差项存在一阶正自相关； （d）4? =2.58 D.W.=3.97，随机误差项存在负一阶自相关。 查D.W.分布表可知，当样本数为n=50，解释变量数k=3时，在5%的 为1.42， 为1.67。 显著性水平下