统计学中中自相关.pptVIP

第六章自相关 Autocorrelation §6.1基本概念、类型及来源 §62自相关的后果 §63自相关的检验 §64自相关的修正 §65案例  §61自相关的概念 1.基本概念 对于模型 Y=B0+B1X1+B2X2+…+BXx+1i1,2,,n 随机误差项互不相关的基本假定为: Cov(ui,;) =0 i,i=1,2 如果对于不同的样本点,随机误差项之间不再是独立的, 而是存在某种相关性,则认为出现了序列相关性( serial correlation),也称为自相关,此时: Cowv(ut,1)≠0 (第2版第159页) (第3版第135页)  cov(u2,u,)≠0 u的协方差矩阵的非对角线元素不全为0 l le ELuu=E (1,l2,……,ll2) E(u) E(u,,) E(u,u E(12) E(12) 1E(l21)E(,) E(22)||E(24) E(u,u) E(uu E(uu,) E(x2)」LE(a4)E(22) =G9≠GI  如果仅存在 E(1+1)≠0 i=1,2,…,n-1 (2.5.2) 称为一阶序列相关,或自相关( autocorrelation) 这是最常见的一种序列相关问题 自相关往往可写成如下形式 H1=1+8 1p1 (2.5.3) 其中:p被称为自协方差系数( coefficient of autocovariance)或一阶自相关系数(frst- order coefficient of autocorrelation  2.自相关的形式 (1)一阶自回归形式 当误差项x1只与其滞后一期值有关时,即 u1=∫(a21),称u1具有一阶自回归形式。如: ut =Cutv E(v)=0,【=1,2….,T var(以)=a3t=1,2…T。C0w以)=0,i行,ij=1,2…,T Cov(ut1, vi=0, t=l, (2)高阶自回归形式 当误差项,的本期值不仅与其前一期值有关,而且与 其前若干期的值都有关系时,即 19at-2 (第2版第159页) 则称u具有高阶自回归形式 (第3版第135页)  经济模型中最常见的是一阶自回归形式。 依据OIS公式,模型1=anm14+中a1的估计公式是a1=2 若把af1看作两个变量,则它们的相关系数是庐=—2 对于充分大的样本显然有∑“,2x∑11。代入上式得=2 对于总体参数有p=a。l的一阶自回归形式可表示为,lt=put1+v  自相关的表现形式 正序列相关(正自相关) 负序列相关(负自相关  3.自相关的来源 (1)惯性 大多数经济时间数据都有一个明显的特点,就是它的 惯性。 GDP、价格指数、生产、就业与失业等时间序列都呈 周期性,如周期中的复苏阶段,大多数经济序列均呈上升 势,序列在每一时刻的值都高于前一时刻的值,似乎有 种内在的动力驱使这一势头继续下去,直至某些情况(如 利率或课税的升高)出现才把它拖慢下来。  (2)设定偏误:模型中遗漏了显著的变量 例如:如果对猪肉需求的正确模型应为 Y=Bo+BX1+Bx2+B3X3+u, 其中:Y=猪肉需求量,X1=猪肉价格,X2=消费者收入, X3=牛肉价格。 如果模型设定为 Y=Bo+BX1+Bx2+v 那么该式中的随机误差项实际上是:v=3H3+u1 于是在牛肉价格影响猪肉消费量的情况下,这种模型设定 的偏误往往导致随机项中有一个重要的系统性影响因素,使 其呈序列相关性。  (3)设定偏误:不正确的函数形式叫三 例如:如果边际成本模型应为: Y=0+B1X+2X2+1 其中:Y=边际成本,X=产出, 但建模时设立了如下模型: Y= Bo+PiA +v 因此,由于v=B2X2+1,包含了产出 的平方对随机项的系统性影响,随机项也呈现序列相关性。