数量经济学课件-序列相关性.pptVIP

求出?i新的“近拟估计值”， 并以之作为样本观测值，再次估计 ?i=?1?i-1+?2?i-2+??L?i-L+?i 类似地，可进行第三次、第四次迭代。 关于迭代的次数，可根据具体的问题来定。 一般是事先给出一个精度，当相邻两次?1,?2, ? ,?L的估计值之差小于这一精度时，迭代终止。 实践中，有时只要迭代两次，就可得到较满意的结果。两次迭代过程也被称为科克伦-奥科特两步法。 （2）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 第一步，变换差分模型为下列形式 进行OLS估计，得各Yj（j=i-1, i-2, …,i-l)前的系数?1,?2, ?, ?l的估计值 序列相关性 Serial Correlation 一、序列相关性概念 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、具有序列相关性模型的估计 六、案例 §4.2 序列相关性 一、序列相关性概念 如果对于不同的样本点，随机误差项之间不再是不相关的，而是存在某种相关性，则认为出现了序列相关性。 对于模型 Yi=?0+?1X1i+?2X2i+…+?kXki+?i i=1,2, …,n 随机项互不相关的基本假设表现为 Cov(?i , ?j)=0 i?j, i,j=1,2, …,n 或 称为一阶列相关，或自相关（autocorrelation） 其中：?被称为自协方差系数（coefficient of autocovariance）或一阶自相关系数（first-order coefficient of autocorrelation） ?i是满足以下标准的OLS假定的随机干扰项： 如果仅存在 E(?i ?i+1)?0 i=1,2, …,n 自相关往往可写成如下形式： ?i=??i-1+?i -1?1 由于序列相关性经常出现在以时间序列为样本的模型中，因此，本节将用下标t代表i。 二、实际经济问题中的序列相关性 大多数经济时间数据都有一个明显的特点:惯性，表现在时间序列不同时间的前后关联上。 由于消费习惯的影响被包含在随机误差项中，则可能出现序列相关性（往往是正相关 ）。 例如，绝对收入假设下居民总消费函数模型： Ct=?0+?1Yt+?t t=1,2,…,n 1、经济变量固有的惯性 2、模型设定的偏误 所谓模型设定偏误（Specification error）是指所设定的模型“不正确”。主要表现在模型中丢掉了重要的解释变量或模型函数形式有偏误。 例如，本来应该估计的模型为 Yt=?0+?1X1t+ ?2X2t + ?3X3t + ?t 但在模型设定中做了下述回归： Yt=?0+?1X1t+ ?1X2t + vt 因此， vt=?3X3t + ?t，如果X3确实影响Y，则出现序列相关。 但建模时设立了如下模型： Yt= ?0+?1Xt+vt 因此，由于vt= ?2Xt2+?t, ，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。 又如：如果真实的边际成本回归模型应为： Yt= ?0+?1Xt+?2Xt2+?t 其中：Y=边际成本，X=产出， 3、数据的“编造” 例如：季度数据来自月度数据的简单平均，这种平均的计算减弱了每月数据的波动性，从而使随机干扰项出现序列相关。 还有就是两个时间点之间的“内插”技术往往导致随机项的序列相关性。 在实际经济问题中，有些数据是通过已知数据生成的。 因此，新生成的数据与原数据间就有了内在的联系，表现出序列相关性。 计量经济学模型一旦出现序列相关性，如果仍采用OLS法估计模型参数，会产生下列不良后果： 二、序列相关性的后果 1、参数估计量非有效 因为，在有效性证明中利用了 E(NN’)=?2I 即同方差性和互相独立性条件。 而且，在大样本情况下，参数估计量虽然具有一致性，但仍然不具有渐近有效性。 2、变量的显著性检验失去意义 在变量的显著性检验中，统计量是建立在参数方