截面数据也可能出现自相关.PPTVIP

第二节 自相关产生的原因及其影响 一、自相关产生的原因 1、模型中遗漏了重要解释变量 若理论模型为： 实际建立模型： 则有： 当 序列存在自相关时，将导致实际模型的残差项也出现自相关 2、错误的模型函数形式 在时序数据样本条件下，当使用错误的函数形式来拟合变量间关系时，如使用了线性回归模型来拟合一个非线性过程，往往会导致残差项出现系统变化模式，并主要表现为自相关。 3、经济系统的惯性 大多数时间序列变量，特别是宏观变量，往往存在较强的惯性，其当期变化在很大程度上由前期决定，如较高的固定资产投资水平，就意味着后续投资也会维持高位等，其自相关的存在（ ）将传导到残差项上，引起残差的自相关 ▲ 原因1、2主要属于模型设定错误引起的自相关，也称为虚假自相关，与主观原因 导致的异方差类似，这种区分是重要的，因为其决定了未来的修正路径截然不同。 ▲ 因为惯性主要表现在时序数据中，因而时序数据回归中多见自相关问题，而截面 数据回归中异方差常常出现。 ▲ 截面数据也可能出现自相关，称为空间自相关，因为截面样本不存在顺序，其修 正方式与时序数据差异极大。 ▲ 时序数据的自相关多表现为一阶自相关。 二、自相关的影响 1、OLS估计方法不再是最优选择 当存在自相关时，OLS估计量依然是线性、无偏估计量，但不再是最优估计量。这意味着存在自相关时，使用OLS估计参数，其误差水平相对较大。 2、回归模型的结构分析无法进行 一旦出现自相关，按照原有的计算规则计算出的参数方差 是失真的。 正自相关 低估参数方差 负自相关 高估参数方差 有误 T值计算结果错误 显著性检验失效