时间序列模型的序列相关性课件.pptVIP

科克伦-奥科特迭代法 采用OLS法估计 随机误差项的“近似估计值”，作为方程的样本观测值 类似地，可进行第三次、第四次迭代。 两次迭代过程也被称为科克伦-奥科特两步法。 第二次估计 杜宾（durbin）两步法 该方法仍是先估计?1,?2,?,?l，再对差分模型进行估计。 应用软件中的广义差分法 在Eview/TSP软件包下，广义差分采用了科克伦-奥科特（Cochrane-Orcutt）迭代法估计?。 在解释变量中引入AR(1)、AR(2)、…，即可得到参数和ρ1、ρ2、…的估计值。 其中AR(m)表示随机误差项的m阶自回归。在估计过程中自动完成了ρ1、ρ2、…的迭代。 几个概念 如果能够找到一种方法，求得Ω或各序列相关系数?j的估计量，使得GLS能够实现，则称为可行的广义最小二乘法（FGLS, Feasible Generalized Least Squares）。 FGLS估计量，也称为可行的广义最小二乘估计量（feasible general least squares estimators）。 可行的广义最小二乘估计量不再是无偏的，但却是一致的，而且在科克伦-奥科特迭代法下，估计量也具有渐近有效性。 前面提出的方法，就是FGLS。 4、稳健标准误法（Newey-West standard errors） 应用软件中推荐的一种选择。适合样本容量足够大的情况。 仍然采用OLS，但对OLS估计量的标准差进行修正。 与不附加选择的OLS估计比较，参数估计量没有变化，但是参数估计量的方差和标准差变化明显。 致使存在异方差和序列相关、仍然采用OLS估计时，变量的显著性检验有效。 5.1 时间序列模型的序列相关性 关于本章教学内容设计的说明 时间序列的平稳性检验（§5.2节） 以时间序列数据为样本，时间序列性破坏了随机抽样的假定，经典计量经济学模型的数学基础能否被满足？ 如果所有时间序列是平稳的，时间序列的平稳性可以替代随机抽样假定，可以采用时间序列数据建立经典计量经济学模型。 所以，首先必须对用统计数据构造的时间序列进行平稳性检验。 时间序列的协整检验（§5.3节） 实际经济时间序列大都是非平稳的，那么，在非平稳时间序列之间能否建立计量经济学结构模型？ 需要对模型采用的非平稳时间序列进行协整检验。 时间序列模型的序列相关问题（§5.1节） 采用时间序列数据建立计量经济学模型，无论是平稳时间序列和非平稳时间序列，模型随机误差项一般都存在序列相关，这就违背了经典模型的一个重要的基本假设。 所以模型的序列相关性肯定是时间序列计量经济学模型必须重点讨论的一个问题。 由于在时间序列的平稳性检验和协整检验中都涉及到序列相关，所以，将它作为第一节讨论的内容。 格兰杰因果关系检验（§5.4） 格兰杰因果关系检验，在时间序列计量经济学模型建模时被广泛应用，并且存在滥用和错用现象。 从应用的角度出发，将格兰杰因果关系检验单独作为一节。 借此对自回归模型和向量自回归模型的概念进行必要的介绍。 §5.1 时间序列模型的序列相关性 一、序列相关性 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、序列相关的补救 六、虚假序列相关问题 七、案例 一、序列相关性的概念 序列相关性 模型随机项之间不存在相关性，称为：No Autocorrelation。 以截面数据为样本时，如果模型随机项之间存在相关性，称为：Spatial Autocorrelation。 以时序数据为样本时，如果模型随机项之间存在相关性，称为：Serial Autocorrelation。 习惯上统称为序列相关性（Serial Correlation or Autocorrelation）。 其他基本假设仍成立，随机扰动项存在序列相关: 一阶序列相关，或自相关 ρ称为自协方差系数（coefficient of autocovariance）或一阶自相关系数（first-order coefficient of autocorrelation） 二、实际经济问题中的序列相关性 没有包含在解释变量中的经济变量固有的惯性。 模型设定偏误（Specification error）导致随机项中有一个重要的系统性影响因素 。 数据的“编造”。 时间序列数据作为样本时，一般都存在序列相关性。 截面数据作为样本时，为什么一般不考虑序列相关性？ 如果样本是独立随机抽取，从理论上讲，不存在序列相关。 实际上，许多截面样本不是独立随机抽取，例如采用我国大陆31个地区为样本，则存在序列相关。但是，其序列相关性十分复杂，为此发展了独立的“空间计量经济学”。 不考虑≠不存在 三、序列相关性的后果Consequences of Using OLS i