序列自相关学习.pptxVIP

自相关的定义;自相关产生的原因 ; ;1. 参数估计量非有效; 2. 变量的显著性检验失去意义;3. 模型的预测失效;自相关的检验;散点图法 ;残差的自相关图;正相关;残差的时序图;正相关;;D—W检验法 ;;回归检验法 ;自相关影响的修正方法;案例分析 ;分析步骤 ;;对模型进行修正 ; 自相关的解决方法，依赖于自相关产生的原因。如果是“拟自相关”，则需要找出原因，加以消除；如果是“真实自相关”，基本方法是通过差分变换，对原始数据进行变换的方法，使自相关消除。 广义差分方法 对模型： Yt= ? 0+ ? 1X t+ut ------（1） ，如果ut具有一阶自回归形式的自相关，既 ut= ?u t-1 +vt 式中 vt满足通常假定。 假定，?已知，则： Y t-1= ? 0+ ? 1X t-1+u t-1 两端同乘 ?得： ? Y t-1= ? ? 0 + ? ? 1 X t-1+ ? u t-1-------（2） ;（1）式减去（2）式得： Yt- ? Y t-1= ? 0 （1- ?）+ ? 1X （Xt- ? X t-1）+vt 令：Yt*= Yt- ? Y t-1 ，Xt*= （Xt- ? X t-1）, ? 0 *= ? 0(1- ?） 则： Yt*= ? 0 * + ? 1 Xt*+vt 称为广义差分模型，随机项满足通常假定，对上式可以用OLS估计，求出 . 为了不损失样本点，令Y1*= X1*= 以上解决自相关的变换称为广义差分变换， ?=1，或 ?=0 ， ?=-1是特殊情况。 广义差分变换要求?已知，如果?未知，则需要对?加以估计，下面的方法都是按照先求出?的估计值，然后在进行差分变换的思路展开的。 ;杜宾（Durbin）两步法 1.对原模型进行广义差分变换，将模型写为： Yt= ? 0(1- ?）+ ? Y t-1 + ? 1 Xt- ? 1 ? X t-1+vt 对该模型进行估计， Y t-1前面的系数就是 ； 2.用 进行广义差分变换;杜宾两步法 ;;OLS估计2;科克伦-奥科特迭代法;第29页/共35页;求出?i新的“近拟估计值”， 并以之作为样本观测值，再次估计： ; 类似地，可进行第三次、第四次迭代。;Cochrane_Qractt提出的二阶段迭代法;OLS估计3;OLS估计4;谢谢您的观看！