第四章第二节序列相关性.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、具有序列相关性模型的估计 六、案例 一、序列相关性概念 称为一阶序列相关或一阶自相关； 二、实际经济问题中的序列相关性 1、经济现象固有的惯性 2、随机误差项本身的自相关 3、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，故随机项vt呈现序列相关性。 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，该方法的假定条件是： 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。 广义差分法(多元线性回归模型、多阶序列相关) 3、随机误差项相关系数的估计 应用广义差分法，必须已知随机误差项的相关系数?1, ?2, … , ?L 。 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。 常用的估计方法有： 4、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(false autocorrelation) ，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。 五、案例：中国商品进口模型 1. 通过OLS法建立如下中国商品进口方程： 2. 进行序列相关性检验。 DW检验 （1）采用科克兰内-奥克特迭代法估计? 在Eviews软件中，2阶广义差分的结果为： 则M*关于GDP*的OLS估计结果为： 3阶滞后： (0.22) (-0.497) (4.541) （-1.842） （0.087） R2=0.6615 于是，LM=21?0.6614=13.89 取?=5%，?2分布的临界值?20.05(3)=7.815 LM ?20.05(3) 表明: 存在正自相关；但ět-3的参数不显著，说明不存在3阶序列相关性。 取?=5% ，DWdu=1.66(样本容量:22) 表明:广义差分模型已不存在序列相关性。 (3.81) (18.45) (6.11) (-3.61) 可以验证: 仅采用1阶广义差分，变换后的模型仍存在1阶自相关性； 采用3阶广义差分，变换后的模型不再有自相关性，但AR[3]的系数的t值不显著。 3、运用广义差分法进行自相关的处理 （2）采用杜宾两步法估计? 第一步，估计模型 （1.76） (6.64) (-1.76) (5.88) (-5.19) (5.30) 第二步，作差分变换： * 第四章 第二节 序列相关性 （Serial Correlation） 如果对于不同的样本点，随机误差项之间不再是不相关的，而是存在某种相关性，则认为出现了序列相关性。即： 对于模型 Yi=?0+?1X1i+?2X2i+…+?kXki+?i i=1,2, …,n 随机误差项互不相关的基本假设表现为 Cov(?i , ?j)=0 i?j, i,j=1,2, …,n 在其他假设仍成立的条件下，序列相关也意味着： ?称为自相关系数(coefficient of autocorrelation) ?i是满足以下标准的OLS假定的随机干扰项： 如果仅存在 进一步如果 由于序列相关性经常出现在以时间序列为样本的模型中，故常用下标t代表i。 （autocorrelat