第5章序列相关.pptVIP

第四节 广义最小二乘法（GLS）和差分法 如果模型的误差项存在自相关，首先应分析产生自相关的原因。如果自相关是由于错误地设定模型的数学形式所致，那么就应当修改模型的数学形式。一种方法是用残差对解释变量的较高次幂进行回归，然后对新的残差作DW检验，如果此时自相关消失，则说明模型的数学形式不妥。 如果自相关是由于模型中省略了重要解释变量造成的，那么解决办法就是找出略去的解释变量，把它做为重要解释变量列入模型。一种方法是用残差对那些可能影响因变量但又未列入模型的解释变量回归，并作显著性检验，从而确定该解释变量的重要性。如果是重要解释变量，应该列入模型。 只有当以上两种引起自相关的原因都消除后，才能认为误差项“真正”存在自相关。在这种情况下，解决办法是变换原回归模型，使变换后的随机误差项消除自相关，进而利用普通最小二乘法估计回归参数。这种变换方法称作广义最小二乘法。 如果模型被检验存在序列相关，则需要用新的方法来估计模型的参数，常用的方法是广义最小二乘法（GLS）。 设模型： 1、一阶自相关的情况 1、广义最小二乘法（GLS） 设 经计算得： 信息系刘康泽 中南财经政法大学刘康泽 第5章 序列相关 主要内容 第一节 序列相关性 第二节 序列相关的后果 第三节 序列相关的检验 第四节 广义最小二乘法和差分法 第一节 序列相关性 对于模型 经典回归分析的一个基本假设是模型的随机误差项之间互不相关，即 如果出现 即不同的样本点的随机误差项之间不再是完全相互独立，而是存在某种相关性，则认为出现了序列相关(自相关)。 【注】由于 ，则序列相关表现为 ，有如果仅存在 ，则称为一阶序列相关或自相关。 （1）一阶自回归形式 （2）高(p)阶自回归形式 -4 -2 0 2 4 -4 -2 0 2 4 X(-1) X -3 -2 -1 0 1 2 3 10 20 30 40 50 60 70 80 90 100 x 非自相关的序列图和散点图 正自相关的序列图和散点图 负自相关的序列图和散点图 【注】产生序列相关的原因: （1）惯性 在实际问题中，对于时间序列资料，由于经济发展的惯性等原因，经济变量的前期水平往往会影响其后期水平，从而造成模型前后期随机误差项的互相关。 如在建立生产函数模型 Kt，Lt，Tt为t期的资本，劳动和技术，而政策变量没有包含其中， 但是它对Qt是有影响的。由于政策有一定的连续性，它对产出的影响在不同的样本点当然具有内在的联系，这就容易导致序列相关。 再如：建立一个消费模型 其中C为总消费，I为总收入 此模型中将消费习惯等变量放入随机误差项之中，但消费习惯等因素也往往具有连续性，不同的样本点之间的数据中，这种习惯对消费量的影响存在内在联系，从而导致序列相关。 （2）模型的数学形式不正确 比如平均成本（AC）与产量的关系是二次的，如果用线性回归模型去拟合，误差性就可能出现序列相关。 （3）模型中忽略了带有自相关的解释变量 若丢掉了应该列入模型的带有自相关的重要解释变量，那么它的影响必然归并到误差项中，从而使误差项呈现自相关。当然略去多个带有自相关的解释变量，也许因互相抵消并不使误差项呈现自相关。 第二节、序列相关的后果 1、回归系数的估计 当存在序列相关时，而采用OLS估计得到的参数估计量仍然是无偏的，但不具有有效性，却是一致估计。因为在有效性的证明过程中用到了 即同方差和不相关的假设。 可以证明：如果的序列相关为正，自变量随时间的增长而增长，则估计残差方差 将被低估，而R2将被高估。这也就是说，拟合优度被夸大了。 2、变量的显著性检验失去意义 在序列相关为正、自变量随时间而增长的通常情况下，估计标准差将小于真实值。这就意味着t-统计量值被高估了，所以看起来显著的回归系数实际上可能是不显著的。参数的估计方差将是有偏的和不一致的，所以t-检验和F-检验不再有效。 3、模型的预测