eviews分布滞后和虚拟变量模型2015.ppt

§8.2 自回归模型 考伊克和适应性期望模型则不能满足这些假定，然而部分调整模型中 ，因此， 如果满足经典线性回归模型的假设，则 也能满足，从而用最小二乘估计将得到一致估计。 如果遇到象考伊克或适应性期望那样的模型，最小二乘法不能直接应用，就需要设计解决估计的方法。 一、工具变量法 最小二乘法之所以不能适用于考伊克或适应性期望模型，是因为解释变量 和误差项 相关。如果我们找到一个与 高度相关但与不相关的变量作为 的替代，就可以应用最小二乘法，这样的替代变量叫做工具变量。利维亚坦建议用 作为 的工具变量，并且还建议方程（8.2.1）的参数可由以下正规方程解得： （8.2.2) 从（8.2.2）中估计出来的诸 是一致性的。 虽说工具变量法技术一旦找到适合的替代变量之后是容易应用的，但是要找到一个好的替代变量，并不是很容易的事。 二、在自回归模型中侦察自相关：德宾h检验 误差项 中可能的序列相关会使自回归模型的估计变得复杂。如果原始模型中的误差项 为序列无关，则存量调整模型的误差项 就不会是序列相关的。然而对于考伊克和适应性期望模型，即使 序列无关， 仍可能是序列相关。于是怎样知道自相关模型中的误差项是否序列相关呢？ 德宾提出了自回归模型一阶序列相关的一个大样本检验，称之为h统计量，方法如下： （8.2.3） 其中n为样本容量， 为滞后 的方差， 为随机扰动项的一阶序列相关系数 的估计值。（8.2.3）又可写为： （8.2.4） h渐进地遵循零均值和单位方差的正态分布。h落在-1.96与1.96之间的概率为95％。 因此决策规则是： （a）如果h1.96,则拒绝无正的一阶自相关的虚拟假设。 （b）如果h-1.96，则拒绝无负的一阶自相关的虚拟假设。 （c）如果h落在-1.96到1.96之间，则不拒绝无一阶自相关的虚拟假设。 注意h统计量的如下特征： 1、不管回归模型中含有多少个 变量和多少个 的滞后项，都可以应用。 2、如果 超过1，检验便不适用。 3、该检验是一种大样本检验。 三、例题分析及EViews操作 根据某地区1962-1995年基本建设新增固定资产Y（亿元）和全省工业总产值X（亿元）按当年价格计算的历史资料(参见教材P212，表7.13)。 （1） 设定模型 作部分调整假定，估计参数，并作解释。 （2） 设定模型 作自适应假定，估计参数，并作解释。 （3） 比较上述两种模型的设定，哪一个模型拟合较好？ 在局部调整假定和自适应假定下，上述二模型最终都转化为一阶自回归模型。为此，先估计如下形式的一阶自回归模型： （1）根据局部调整模型的参数关系，有 将上述估计结果代入得到： 故局部调整模型为： 意义：为了达到全省工业总产值的计划值，寻求一个未来预期新增固定资产的最佳量，全省工业总产值每计划增加1（亿元），则未来预期最佳新增固定资产量为0.1037（亿元）。 （2）根据自适应模型的参数关系，有 代入得到： 故局部调整模型为： 意义：新增固定资产的变化取决于全省工业总产值的预期值。全省工业总产值每预期增加1（亿元），当期新增固定资产量为0.1037（亿元）。 （3）局部调整模型和自适应模型的区别在于：局部调整模型是对应变量的局部调整而得到的；而自