应用计量经济学第9章.pptVIP

Newey–West标准误是一个有偏估计，但是更有效，因为Newey–West标准误存在序列相关性时未修正的标准误更小，从而使估计更精确 因此，Newey–West标准误可以用于存在序列相关性时的t检验和其它假设检验，而降低了推断的误差 通常情况下，Newey–West标准误比OLS标准误要大，因此t统计量的值要小一些 Newey–West 标准误 * * * * * * * * * * * * * * * * * * * * * 第9章 序列相关性 Slides by Niels-Hugo Blunch Washington and Lee University 纯序列相关性 纯序列相关性破坏了古典假设 IV，古典假设 IV保证了在正确设定的方程中各误差项观测值之间没有相关性 最被广泛假设的序列相关性是一阶序列相关性，在一阶序列相关性中，随机误差项的当期值是上一期值的函数： εt = ρεt–1 + ut (9.1) 此处： ε = 出现问题方程的随机误差项 ρ = 一阶自相关系数 u = 随从古典假设的随机误差项（无序列相关性） ρ 的大小反应了序列相关性的程度： 如果 ρ 是零，则没有序列相关性 随着 ρ 在绝对值上趋于1，上一期观测值随机误差项对本期观测值随机误差项εt 的影响将越来越大，此时，序列相关性的程度在增加 ρ 超过1是没有意义的，因为随机误差项不是“爆炸的” 作为一个结论， ρ 的取值范围是： –1 ρ +1 (9.2) 纯序列相关性 ρ 的符号表明了序列相关性的性质： 正号： 本期随机误差项倾向于与下一期随机误差项有相同的符号 这种情况是正序列相关性 负号： 在一个连续的观测序列中，随机误差项倾向于不断的改变符号，从正到负，又从负到正 这种情况是负序列相关性 Figures 9.1–9.3 展示了几种不同的情形 纯序列相关性 Figure 9.1a 正序列相关性 Figure 9.1b 正序列相关性 Figure 9.2 无序列相关 Figure 9.3a 负序列相关性 Figure 9.3b 负序列相关性 不纯的序列相关性 不纯的序列相关性是一种由设定误差引起的序列相关性，例如： 遗漏解释变量 不正确的函数形式 如何导致了序列相关性？ 作为一个例子，假设真实的模型是： (9.3) 此处 εt 是服从古典假设的随机误差项，如果 X2 被研究者从方程中偶然地遗漏，或者 X2 的数据难以获得，那么，研究暑使用的模型是： (9.4) 随机误差项并不服从古典假设 此处 结果，随机误差项是其中一个解释变量 X2 的函数 于是，新的随机误差项 ε* 将是序列相关的，即使真实的随机误差项 ε, 并不是 特别是，新的随机误差项倾向于是序列相关的，当： X2 本身是序列相关的，这在时间序列数据中非常常见，同时； 与 相比，ε 是比较小的 Figure 9.4 以美国可支配收入为例展示了第1点 不纯的序列相关性 Figure 9.4 美国可支配收入是时间的函数 现在转向由不正确的函数形式引起的序列相关性 假设真实的模型是多项式形式的： (9.7) 但是，研究者却使用了一个线性模型： (9. 8) 新的随机误差项 ε* 是原来真实的随机误差贡的一个函数，这个函数介于线性形式与多项式形式之间 Figure 9.5 展示了这种序列相关性与通常序列相关性的不同 不纯的序列相关性 Figure 9.5a 不正确的函数形式是不纯的序列相关性的一个来源 Figure 9.5b 不正确的函数形式是不纯的序列相关性的一个来源 序列相关性的后果 序列相关性将会使得OLS估计的方程产生如下的后果： 1. 纯的序列相关性不会引起估计系数的有偏性 序列相关性使OLS估计的系数在所有线性估计量中不再是最小方差的 3. 序列相关性使得OLS方法估计的系数估计量的标准误 是有偏的，这将导致假设检验的不可靠性。通常情况下，标准误估计的偏差是负产的，也就是说OLS估计量低估了回归系数估计量的标准误，同时也就高估了t统计量的值 Durbin–Watson d 检验（DW检验） 有两种主要的方法用于检验序列相关性： 非正式的：观察残差的变化，如 Figure 9.1 正式的：序列相关性的检验，DW检验： Durbin–Watson d test 下面将详细说明DW检验 首先，需要注意的是，使用DW检验需要满足如下三下假设： 1. 回归模型包含截距项 2. 序列相关性是一阶的： εt = ρεt–1 + ut 此处 ρ 是自相关系数， u 是服从古典假设的，包括服从正态分布 3. 没有滞后的被解释变量作为解释变量 包含T个观测值的DW检验的d统计量（或DW统