计量经济学第四章序列相关性详解演示文稿.pptVIP

变换原模型（D-1左乘）： D-1Y=D-1X ? +D-1? 即： Y*=X*? + ?* (*) (*)式的OLS估计： 此即原模型的广义最小二乘估计量(GLSE)，是无偏的、有效的估计量。 (*) 模型具有同方差性和无序列相关性，因为： 当前第31页\共有48页\编于星期五\14点 ＃ 如何得到矩阵?？——近似估计 矩阵?是原模型随机误差项的方差－协方差阵。 获得?的一种方法是采用随机误差项的近似估计量 构造 当前第32页\共有48页\编于星期五\14点 获取?的更精确的方法是根据原模型序列相关的具体形式进行估计 常见的是假设随机误差项具有一阶序列相关性，即： ?i = ? ?i-1 + ?i (－1 ? 1) 此时，可以证明： ＃ 如何得到矩阵?？——精确估计 当前第33页\共有48页\编于星期五\14点 证明： 由： ?i = ? ?i-1 + ?i (－1 ? 1) 有： 即： 由： 有： 当前第34页\共有48页\编于星期五\14点 Copyright?princebf,2008-2009,YNUFE 计量经济学第四章序列相关性详解演示文稿 当前第1页\共有48页\编于星期五\14点 优选计量经济学第四章序列相关性 当前第2页\共有48页\编于星期五\14点 一、序列相关性的概念 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，即： Cov(?i , ?j)≠0 i?j, i,j=1,2, …,n 则认为出现了序列相关性（serial correlation）。 对于模型： Yi=?0+?1X1i+?2X2i+…+?kXki+?i i=1,2, …,n 当前第3页\共有48页\编于星期五\14点 # 序列相关性下的方差－协方差阵 此时，随机误差项之间的方差－协方差阵为： 当前第4页\共有48页\编于星期五\14点 # 自相关（autocorrelation） 序列相关经常出现在以时间序列数据为样本的模型中，此时，不同样本点的区别仅在于时间的不同 这意味着，此时的序列相关性表现为不同时间上的随机误差项存在相关，这一情形下的序列相关也通常称之为自相关 为此，本节将表示不同样本点的下标 i 改为 t 。 当前第5页\共有48页\编于星期五\14点 如果仅存在： cov(?t ,?t－1)=E(?t?t－1) ? 0 t = 2, …,n 即：随机误差项只与其前一期值有关（或者说，仅是相邻的随机误差项之间存在相关），则称为一阶自相关。 一阶序列相关时，随机误差项可以表示为： ?t = ??t-1+?t -1?1 称为一阶自回归形式，记为AR(1)，其中： ?：被称为一阶自相关系数（first-order coefficient of autocorrelation） ?i：满足标准的OLS假定的随机干扰项 # 一阶自相关（first-order autocorrelation） 当前第6页\共有48页\编于星期五\14点 序列相关的一般形式可以表示成： 称为P阶自回归形式，记为AR(p)， 表示模型存在P阶自相关。 ?t－1、 ?t－2、…、 ?t－p分别表示?t的前1期、前2期、…、前p期项，又称为滞后1期、滞后2期、…、滞后p期项。 ?1、 ?2、…， ?p称为1阶、2阶、…，p阶自相关系数。 # 高阶自相关（high-order autocorrelation） 当前第7页\共有48页\编于星期五\14点 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 序列相关性往往出现在以时间序列数据为样本的模型中，产生这一问题的原因主要来自三个方面： 当前第8页\共有48页\编于星期五\14点 许多经济行为存在滞后效应，即当期的经济行为不仅影响当期的有关结果，而且也会对以后若干期的结果存在影响，这使得作为结果变量的经济变量在不同时间上呈现出序列相关性。 例如： 固定资产的形成，不仅与