(第三讲、序列相关性的检验.pptVIP

第三讲、序列相关性的检验与消除： By Jimmy 一、序列相关性产生的原因与后果 二、序列相关性的检验 三、序列相关性的修正 四、修正结果的再检验 五、说明 一、序列相关性产生的原因与后果： 原因：数据违背了OLS估计的五条基本前提假设之一： 在这种情况下数据具有了多重共线性，对于某两个或多个解释变量而言，它们之间存在着相关性。 具体的经济问题中，一般经验告诉我们，时间序列为基础的数据所建立的模型，往往存在着多重共线性。 后果： 由于多重共线性的存在已经使数据违背了OLS估计的五大基本原则，若不对数据进行处理就进行OLS估计，则会出现以下后果： (1)参数的估计量非有效(方差不再是估计值中最小的)。 (2)变量的显著性检验失去意义。 (3)模型的预测失效。 这些后果的详细解释和其它后果的产生请参阅李子奈版《计量经济学》P70 我们将拿李子奈书P86的模型作例子： 二、序列相关性的检验 1、散点图法： 2、D—W检验法： 3、B.G检验： 1、散点图法： 原理：此方法即为计算当前残差与滞后一期残差的散点图。如果大部分点落在一、三象限，则表明随机项存在正自相关。如果大部分点落在二、四象限则表明随机项存在负相关。 具体操作方法： 第一步、建立工作文档，输入数据并作OLS估计。目的是得到残差resid。(具体的数据选择和修正步骤见书，此处从略) 第二步、在命令栏键入Scat resid resid(-1) 得到残差的散点图(见下页图)： 2、D—W检验法： 原理：若数据不存在序列相关性，则et和et-1成随机关系，两者的差较为适中，此时DW值则会取一个适中值。而若存在序列相关性的话，则DW的分子会过大或过小，进而影响DW的值。具体的数学证明见李子奈书P62。 具体步骤： 对数据进行ols估计，在所得的对话框中： 判断标准： (1)DWdL,存在正自相关 (2)DW4-dL，存在负自相关 (3)dUDW4-dU,不存在自相关性 dL与dU的值是根据不同样本的容量N和解释变量的个数P，在给定的不同显著性水平下查得的。 直观上理解，DW值越靠近2，则越不具备自相关性。 具体操作方法： 第一步、在OLS估计结果对话框中选择view——Residual test——serial correlation LM test 。 第二步、设定用以检验的序列相关的阶数。键入1表示检验一阶序列相关。 三、序列相关性的修正： 序列相关性的修正主要有两种方法： 1、广义最小二乘法 2、差分法 1、广义最小二乘法： 由于WLS步骤和异方差基本相同，另外经常出现进行一次或多次广义最小二乘法后，仍不能良好地消除序列相关性的情况。因此我们不再讲述WLS的具体操作步骤。 2、差分法 原理：采用普通最小二乘法估计原模型，得到随机误差项的“近似估计值”，然后利用该“近似估计值”求得随机误差项相关系数的估计量。语言可能不太好表达，大家可以随着差分法的步骤一步步地体会。 具体步骤： 第一步、首先对原始数据进行ols估计，得到残差序列(为了下面好表示，我们命残差为e，命令为genr e=resid) 第二步、对残差及其滞后变量进行ols估计，目的是找到其系数。输入命令ls e e(-1) c得到： 将这个系数记录下来： Coefficient=0.653829 第三步、将变量都取对数： 依次输入命令： genr ly=log(y) genr lx1=log(x1) genr lx4=log(x4) genr lx5=log(x5) 第五步、对新构造的这组数据(lly llx1 llx4 llx5)进行ols估计：键入命令： Ls lly c llx1 llx4 llx5 ，得到OLS估计结果： 结果分析： 估计结果为： （5.123767） （1.307397） （3.211654） （1.914285） R-squared=0.976516 Durbin-Watson stat=1.015270 F-statistic = 263.3549 若常数项的显著性不显著，则可以舍去常数项再进行估计。具体过程从略。 四、修正结果的再检验： 下面我们再利用第一部分的三种检验方法进行检验： 1、散点图法： 2、D—W检验法： 3、B.G检验： 具体检验过程从略，结果我们可以看到修正方法良好的消除了序列相关性。 五、说明 正如上一章最后说的一样，序列相关性同异方差一样，是回归过程的一种情况，很多情况下并不能完全消除，这要看我们关注