部分线性模型中序列相关与异方差检验的理论、方法及实证研究.docxVIP

部分线性模型中序列相关与异方差检验的理论、方法及实证研究

一、引言：部分线性模型的核心假设与检验意义

部分线性模型（PLM）作为半参数回归模型的重要分支，结合了参数线性部分与非参数非线性部分，广泛应用于经济、医学等领域。其核心假设要求误差项满足独立同方差性，然而现实数据常因测量误差、模型设定偏误等问题违背该假设。序列相关（误差项自相关）与异方差（误差项方差非恒定）的存在会导致参数估计非有效、假设检验失效及预测精度下降。本文系统梳理两类检验的理论框架、方法体系及实证应用，为模型诊断与修正提供方法论支持。

二、序列相关检验：理论框架与常用方法

（一）序列相关的本质与影响

序列相关在统计学和计量经济学领域，指的是模型误差项之间存在时序依赖关系，数学表达式为\text{Cov}(\mu_i,\mu_j)\neq0,i\neqj。这种现象在时间序列数据中尤为常见，因为时间的连续性使得前一时刻的干扰因素可能持续影响后续时刻，也可能出现在面板数据中，由于个体之间的共性或未观测到的共同因素导致误差项相关。

在各类序列相关形式中，一阶自相关最为典型，其模型可表示为\mu_t=\rho\mu_{t-1}+\varepsilon_t，其中\rho为自相关系数，反映了误差项与前一期的关联程度，\varepsilon_t是满足独立同分布的白噪声。当\rho\neq0时，表明误差项存在自相关。这种自相关的存在会严重破坏普通最小二乘法（OLS）估计的有效性。在理想的独立同分布假设下，OLS估计量具有最小方差，是最优线性无偏估计（BLUE）。一旦出现序列相关，OLS估计量虽然仍保持无偏性，但不再具有最小方差性质，其标准误的估计会出现偏差，可能低估或高估真实的标准误。

标准误的偏差会直接导致t检验和F检验的结果失真。t检验用于判断单个解释变量对被解释变量的影响是否显著，F检验用于检验整个回归模型的显著性。在存在序列相关时，基于错误标准误计算的t统计量和F统计量会误导研究者对变量显著性和模型整体有效性的判断。例如，当标准误被低估时，t统计量会偏大，原本不显著的变量可能被错误地认为显著，从而导致错误地纳入无关变量，增加模型的复杂性和噪声；反之，标准误被高估时，可能会遗漏重要的解释变量。

从实际应用角度来看，序列相关会导致参数估计量方差偏大，使得估计结果的可靠性降低，无法准确反映变量之间的真实关系。在进行预测时，基于存在序列相关的模型所得到的预测区间会变得不可靠，无法准确衡量预测的不确定性，可能给出过于狭窄或宽泛的预测区间，从而影响决策的科学性和准确性。因此，准确识别序列相关并采取有效的修正措施，对于保证模型的可靠性和预测精度至关重要。

（二）经典检验方法

图示法：

图示法是一种直观的初步诊断方法，主要通过绘制残差-时间序列图来实现。在完成模型估计后，得到残差序列，将残差作为纵坐标，时间或观测序号作为横坐标进行绘图。如果残差呈现连续的正负交替，比如先连续多个正值，然后连续多个负值，再又连续多个正值，这种情况很可能暗示存在序列相关。因为在不存在序列相关的理想情况下，残差应该是随机分布在零值附近，没有明显的周期性或趋势性。当残差出现集群分布，即多个残差在一段时间内都集中在零值的同一侧，也初步提示存在序列相关。

为了更准确地识别自相关阶数，常常结合残差自相关函数（ACF）与偏自相关函数（PACF）图。ACF反映了残差序列与其自身滞后值之间的简单相关关系，PACF则在控制了中间滞后项的影响后，度量残差序列与其特定滞后值之间的相关关系。当ACF呈现拖尾特征，即随着滞后阶数的增加，自相关系数逐渐减小但不为零，同时PACF在某一阶数后截尾，即自相关系数迅速降为零，这种模式可能对应自回归（AR）模型。若ACF在某一阶数后截尾，而PACF拖尾，则可能暗示移动平均（MA）模型。通过对这些图形特征的分析，可以初步判断序列相关的类型和阶数，为后续的检验和模型修正提供依据。

Durbin-Watson（DW）检验：

Durbin-Watson检验是一种广泛应用的用于检验一阶自相关的参数化检验方法。其核心是构造DW统计量，公式为\text{DW}=\frac{\sum_{t=2}^n(e_t-e_{t-1})^2}{\sum_{t=1}^ne_t^2}，其中e_t是第t期的残差，n为样本量。该统计量的构建基于残差的差分平方和与残差平方和的比值，通过这个比值来近似检验自相关系数\rho=0的原假设。

DW值的取值范围介于0到4之间，不同的取值范围对应着不同的自相关情况。当\text{DW}\approx2时，表明残差之间不存在一阶自相关