经典计量回归模型(技术应用计量经济学).pptVIP

DW检验： ： ，（ 一阶非自相关） DW检验的缺陷： 1）只能检验残差的一阶自相关。 2）当解释变量中出现被解释变量的滞后变量时，DW不再适用。 解释变量中出现被解释变量的滞后变量时，残差的自相关检验 伯克斯-皮尔斯Q检验。 Q统计量： 其中：n为样本容量，m为滞后长度。 Q统计量遵循自由度为m的 分布，检验标准为，当Q统计量大于临界的值时，拒绝 全部为0的原假设，即拒绝残差非自相关的原假设。（或P值小余临界的p值时，拒绝残差非自相关的原假设） 5、自相关的处理。 1）、残差自相关的结构已知——广义差分法。 如果残差一阶自相关： 以一元回归为例，原回归为： （1） 则在时刻t-1有： (2) （1）式减去（2）式乘以 ，有： 或者表示为： 其中： ，上式的回归为最佳线性、无偏的一致估计。 2）、残差自相关的结构未知——差分法。 差分不一定可以消除模型自相关。 3）、尝试其他的模型形式。 如增加解释变量，把被解释变量的滞后变量当作解释变量。 6、例：自相关的处理. 中国宏观消费分析1952－1993，其中X为国民收入，y为居民消费。 消费的年增长曲线YY： 国民收入的年增长曲线XX： 年消费率变化曲线： Estimation Equation: Y = C(1) + C(2)*X 查DW表，在5％的显著性水平上，有 。由于 ，说明模型自相关。 Estimation Equation: LOG(Y) = C(1) + C(2)*LOG(X) 考虑到消费不仅仅与当期的收入相关，还与上期的收入相关， Estimation Equation: Y = C(1) + C(2)*X + C(3)*X(-1) 自相关未消除。考虑到消费不仅仅与收入相关，还与上期的消费有关，（消费的棘轮效应）。 Estimation Equation: Y = C(1) + C(2)*X + C(3)*X(-1) + C(4)*Y(-1) ，表明模型不存在自相关， 但 未通过5％的显著性检验，去掉重新回归： Y = C(1) + C(2)*X + C(3)*Y(-1) 残差的Q检验 结论，如果显著性水平设为5％，则由Pa可知，接受 存在自相关的情况 如果仍用 来估计 ，显然这种估计是有偏的，不一致的。建立在这样一个 的t检验与F检验可能产生严重的误导，得出错误的结论。 3、异方差的判断 1）残差序列分析. A、不存在异方差 Y B、存在异方差，残差方差随y的增大而增大。 Y 缺点：在样本期太短时无法判断。 2）异方差检验 Park异方差检验步骤： A、回归方程，得方程得残差序列。 B、取残差序列的平方，再估算一个方程： C、如果 值统计显著，说明数据存在异方差。 White异方差检验 White异方差检验思想：以两变量为例，若原始的回归为 检验就以扩展的回归式为基础： White异方差检验的输出结果给出了F统计量以及自由度为扩展回归式中回归因子个数的 分布。 判断：1、如果回归元系数都不显著，则认为不存在异方差，如果有任何一个回归元的系数显著，则认为该模型存在异方差。2、F统计量及 分布在设定的显著水平接受原假设，即所有的回归原系数为0，则认为不存在异方差。 一个实例：货币供给增长率对GDP的影响。 Estimation Equation: GNP = C(1) + C(2)*M2 结果： 异方差检验： 结果： 判断：各回归元系数均不显著，F检验接受回归元系数为0的原假设，说明不存在异方差。 4、异方差的处理 1）加权最小二乘法。 思想：若知道 的形式，如果某变量 与 成倒数关系，则把 与各解释变量相乘，消除异方差。 加权最小二乘法在Eviews里的实现。 3）怀特（White）异方差调整 怀特异方差一致协方差矩阵 4）对原始序列取对数，再建立线性模型是消除模型异方差的一个有效的方法。 三、自相关 1、自相关的定义： 序列中的观测值之间的相关。 如果某个回归模型的残差存在类似如下关系： 其中 ,说明残差序列存在（一阶）自相关。 2、自相关的产生 A、惯性。对大多数经济变量