自相关的解决方法.pptVIP

广义差分法 自相关系数ρ的估计方法 广义最小二乘法 * 第四节 自相关的解决办法 如果模型被检验证明存在自相关性，则需要发展新的方法估计模型。最常用的方法是广义差分法。 一、广义差分法 设一元线性回归模型： 存在一阶自相关性： （1） 将模型滞后一期得： （2） （1）式减去（2）式得： （3） 令 则（3）式可表示为： 变换后的模型的随机误差项满足基本假定，所以可以对变换后的模型用OLS估计参数。 这种变换称为广义差分变换，变换后的模型称为广义差分模型，这种消除自相关性，求参数估计量的方法称为广义差分法。 广义差分法注意事项 如果模型为多元线性回归模型，同样可以进行类似的广义差分变换。 设多元线性回归模型： 将模型滞后一期得： （1） （2） 令 仍然可以得到满足基本假定的广义差分模型： （1）式减去（2）式得： 如果自相关类型为高阶自回归形式： 则广义差分变换为（以一元线性回归模型为例）： 同样可以得到满足基本假定的模型： 二、自相关系数ρ的估计方法 2.杜宾（Durbin）估计法 以一元线性回归模型为例： 其中 对此模型进行广义差分变换得： 将上式改写成： 设 则又可以写成： 三、广义最小二乘法(Generalized Least Square，简称GLS) 对于多元线性回归模型 随机误差项u的方差-协方差矩阵为 (1) 由此可得： 用P左乘（1）式得 令 则模型（1）式变换为 （2） 随机误差项的方差-协方差矩阵为 这表明变换后的模型满足同方差和非自相关的假定，因此可以用OLS法估计模型。 参数的OLS估计量为 这种估计方法称为广义最小二乘法(Generalized Least Square，简称GLS），得到的估计量称为广义最小二乘估计量。 从估计过程可以看出，GLS的基本思想就是对违反基本假定的模型做适当的变换，使其转化为满足基本假定的模型，从而可以用OLS法估计模型。 *