第四章4.2放宽基本假设的模型序列相关性.pptVIP

一、序列相关性概念 二、实际经济问题中的序列相关性 三、序列相关性的后果 四、序列相关性的检验 五、序列相关性的补救 六、虚假序列相关问题 七、案例 一、序列相关性概念 称为一阶序列相关，或自相关 二、实际经济问题中的序列相关性 1、经济变量固有的惯性 2、模型设定的偏误 但建模时设立了如下模型： Yt= ?0+?1Xt+vt 因此，由于vt= ?2Xt2+?t, ，包含了产出的平方对随机项的系统性影响，随机项也呈现序列相关性。 3、数据的“编造” 例如：季度数据来自月度数据的简单平均，这种平均的计算减弱了每月数据的波动性，从而使随机干扰项出现序列相关。 还有就是两个时间点之间的“内插”技术往往导致随机项的序列相关性。 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。 四、序列相关性的检验 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。 1、图示法 2、回归检验法 3、杜宾-瓦森（Durbin-Watson）检验法 D-W检验是杜宾（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。 用于检验随机误差项具有一阶自回归形式的自相关问题。这种检验方法是建立经济计量模型中最常用的方法，一般的计算机软件都可以计算出DW 值。 D-W检验方法的假定条件是： 当D.W.值在2左右时，模型不存在一阶自相关。 4、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 如何得到矩阵?？ 2、广义差分法 广义差分法是一类克服序列相关的有效方法，被广泛采用。 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 尽管在大样本中广义差分法与广义最小二乘法的估计结果相近，但在小样本中，观测值的损失可能会对估计值有所影响。 因此差分变换中，有时需要弥补这一损失。 例如在一阶序列相关情况下，对损失的第一次观察值可以进行如下的变换： 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, … , ?p 。 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。 不同的估计方法旨在力图使这些估计量更加接近实际。 常用的估计方法有： 科克伦-奥科特迭代法 第二步，根据残差项，对回归模型 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?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。 5.序列相关稳健标准误法 仍采用普通最小二乘估计量，但修正相应的方差； 尼威和韦斯特在1987年提出了类似于怀特提出的解决模型异方差时的方法，即计算出参数估计量的正确标准差。 在一元回归模型中，按照下式进行估计： 尼威和韦斯特提出的修正普通最小二乘参数估计量标准误的方法，不仅在模型随机误差项只存在序列相关时得到参数估计量的正确标准误，而且当模型随机误差项同时存在异方差与序列相关时，也能得到参数估计量的正确标准误，因此被称为异方差-序列相关一致标准误。 六、虚假序列相关问题 由于随机项的序列相关往往是在模型设定中遗漏了重要的解释变量或对模型的函数形式设定有误，这种情形可称为虚假序列相关，应在模型设定中排除。 避免产生虚假序列相关性的措施是在开始时建立一个“一般”的模型，然后逐渐剔除确实不显著的变量。 七、案例：中国居民总量消费函数 1.进行序列相关性检验 如果只要残差图，可点击view\Actual,Fitted,Residual \Residual