第七章 序列相关性.pptVIP

例如3：如果对牛肉需求的正确模型应为 Yt=?0+?1X1t+?2X2t+?3X3t+?t 其中：Y=牛肉需求量，X1=牛肉价格，X2=消费者收入，X3=猪肉价格。 如果模型设定为：Yt= ?0+?1X1t+?2X2t+vt 那么该式中的随机误差项实际上是：vt= ?3X3t+?t, 于是在猪肉价格影响牛肉消费量的情况下，这种模型设定的偏误往往导致随机项中有一个重要的系统性影响因素，使其呈序列相关性。 虚假序列相关问题 所谓虚假序列相关问题，是指模型的序列相关性是由于忽略了显著的解释变量而引致的。 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。 案例:某地区商品出口模型 某地区商品出口总值与国内生产总值的数据 序列相关性检验 （1）图示法检验 D.W.检验 在5%在显著性水平下，n=19，k=2(包含常数项)，查表得dL=1.18，dU=1.40， 由于D.W.=0.9505dL，故存在正自相关。 自相关的处理 ⑴ 一阶差分法 广义差分法 由于D.W.du=1.39(注：样本容量为19-1=18个)，已不存在自相关。于是原模型估计式为： ②采用科克伦-奥科特迭代法估计? 一阶广义差分的结果： 二阶广义差分的结果： 由于D.W.du=1.38(注：样本容量为19-2=17个)，已不存在自相关。 但由于AR[2]前的系数的t值为-0.15，在5%的显著性水平下并不显著，说明随机干扰项不存在二阶序列相关性，模型中应去掉AR[2]项。 （1）一次差分法 （2）根据D.W.统计量来估计ρ （3）科克伦-奥科特（（Cochrane-Orcutt）迭代法 （4）杜宾两步法 2）自相关系数未知时的处理 （1）一次差分法 因为自回归系数ρ介于（-1，1）之间，我们考虑极端的序列相关情况， 即完全的正相关或负相关，此时ρ等于1或?1。 考虑简单的一元回归模型： （7-42） 假定该模型中随机干扰项为完全一阶正相关，即有 （7-43） 对（7-42）进行一次差分得到 即 （7-44） （7-44）的差分回归方程没有截距，随机干扰项没有序列自相关，因此可以 对它采取过原点OLS回归得到 的BLUE估计量，注意此时原模型中的截距 就不能估计出来了。 如果原模型为包含时间趋势的模型： （7-45） 那么对它进行一次差分后得到 （7-46） 该差分模型中含有一截距，因此含有截距的一次差分模型意味着在原模型 中存在一线性时间趋势项，而且一次差分模型中的截距就是原模型中时间趋势 项的系数。如果 是正的话，这表明原模型中Y除了受X的影响外还有一上升 的趋势。 如果原模型中随机干扰项是完全一阶负相关的， 那么一次差分处理的方法就是相反了。 思考: 析: 要注意它是以假定ρ=1为前提的，如果随机干扰项不是完全一阶 正相关，就不能进行这样的一次差分变换。 怎样知道假定ρ=1是否合理呢？？ 为检验假设ρ=1，贝伦布鲁特—韦布推出如下g检验统计量： （7-47） 用贝伦布鲁特-韦布（Belenblutt-Webbtest）统计量来检验。 其中 是原始模型的OLS残差，而 是被解释变量Y的一阶差分 各个解释变量X的一阶差分 OLS回归得到的残差（注意无截距项）。 对 进行 例7-3 假定用32个样本做Y对X的OLS回归得到的残差平方和RSS1=204.2934， 再做△Y对△X的OLS回归（注意在此回归中没有截距）得到残差平方和 RSS2=28.1938。 g=28.1938/204.2934=0.1377 查D.W.分布表发现5%的显著性水平下31个样本和1个解释变量的D.W. 值下界为1.363，上界为1.496。 因此 这样计算的g的数值小于D.W.统计量的下界，我们不能拒绝 基于这一结果，对原模型进行一次差分后再用OLS估计是合理的。 =1的原假设。 （1）一次差分法 （2）根据D.W.统计量来估计ρ （3）科克伦-奥科特（（Cochrane-Orcutt）迭代法 （4）杜宾两步法 2）自相关系数未知时的处理 （2）根据D.W.统计量来估计ρ 回想我们前面的D.W.统计量 根据该式我们可以得到 的计算表达式： （7-48） 这是从所估计的D.W.统计量获得ρ的一个估计值的简易方法。 （7-48） 由（7-48）可见，仅当 d 等于或接近于0时，一次差分法中假定 才是对的 此外当d=2时 ，d=4时， 因此D.W.统计量为我们提供了一个估计 的现成方法。 但要注意的是，（7-48）