时间序列模型-s.pptVIP

第五章 时间序列模型;§5.1 序列相关理论 ;§5.1.1 序列相关及其产生的后果 ; EViews提供了检测序列相关和估计方法的工具。但首先必须排除虚假序列相关。虚假序列相关是指模型的序列相关是由于省略了显著的解释变量而引起的。例如，在生产函数模型中，如果省略了资本这个重要的解释变量，资本对产出的影响就被归入随机误差项。由于资本在时间上的连续性，以及对产出影响的连续性，必然导致随机误差项的序列相关。所以在这种情况下，要把显著的变量引入到解释变量中。; EViews提供了以下3种检测序列相关的方法。 1．D_W统计量检验 Durbin-Watson 统计量（简称D_W统计量）用于检验一阶序列相关，还可估算回归模型邻近残差的线性联系。对于扰动项ut建立一阶自回归方程： (5.1.6) D_W统计量检验的原假设：? = 0，备选假设是 ? ? 0。 ; Dubin-Waston统计量检验序列相关有三个主要不足： 1．D-W统计量的扰动项在原假设下依赖于数据矩阵X。 2．回归方程右边如果存在滞后因变量，D-W检验不再有效。 3．仅仅检验是否存在一阶序列相关。 其他两种检验序列相关方法：Q-统计量和Breush-Godfrey LM检验克服了上述不足，应用于大多数场合。 ; 2 . 相关图和Q -统计量 ; 2．偏自相关系数 偏自相关系数是指在给定ut-1，ut-2，…，ut-k-1的条件下，ut与ut-k之间的条件相关性。其相关程度用偏自相关系数?k,k度量。在k阶滞后下估计偏相关系数的计算公式如下 （5.2.27） 其中：rk 是在k阶滞后时的自相关系数估计值。 （5.2.28） 这是偏相关系数的一致估计。; 我们还可以应用所估计回归方程残差序列的自相关和偏自相关系数（在本章5.2.4节给出相应的公式），以及Ljung-Box Q-统计量来检验序列相关。Q-统计量的表达式为： ; 在EViews软件中的操作方法： 在方程工具栏选择View/Residual Tests/correlogram-Q-statistics。EViews将显示残差的自相关和偏自相关函数以及对应于高阶序列相关的Ljung-Box Q统计量。如果残差不存在序列??关，在各阶滞后的自相关和偏自相关值都接近于零。所有的Q-统计量不显著，并且有大的P值。;例5.1: 利用相关图检验残差序列的相关性 ;应用最小二乘法得到的估计方程如下： t =（-1.32） （154.25） R2=0.80 D.W.=0.94 ; 虚线之间的区域是自相关中正负两倍于估计标准差所夹成的。如果自相关值在这个区域内，则在显著水平为5%的情形下与零没有显著区别。 本例1阶的自相关系数和偏自相关系数都超出了虚线，说明存在1阶序列相关。1阶滞后的Q-统计量的P值很小，拒绝原假设，残差序列存在一阶序列相关。 ;3 . 序列相关的LM检验; （1）估计回归方程，并求出残差et (5.1.8) （2）检验统计量可以基于如下回归得到 (5.1.9) 这是对原始回归因子Xt 和直到p阶的滞后残差的回归。LM检验通常给出两个统计量：F统计量和T×R2统计量。F统计量是对式（5.1.9）所有滞后残差联合显著性的一种检验。T×R2统计量是LM检验统计量，是观测值个数T乘以回归方程（5.1.9）的R2。一般情况下，T×R2统计量服从渐进的? 2(p) 分布。 ; 在EView软件中的操作方法： 选择View/Residual Tests/Serial correlation LM