第十章自相关介绍.ppt

步骤如下： 使用普遍最小二乘法估计模型 并获得： ,定义 计算 估计模型： 得： 代入原模型计算 判断：若 则模型为： 否则，通过模型： 得 计算： 估计模型： 得： 代入原模型计算 判断：若 则模型为： 否则，依次循环下去。 此方法称为循环查找法。 （3）灰色查找法 步骤： 在 内，每间隔0.1选一个 每取一个 值，做如下回归： 计算所有 选择最小的 作为估计值 * (4)其它方法简介 一阶差分法 将模型变换为 ： 如果原模型存在完全一阶正自相关，即 则 使用普通最小二乘法估计参数，可得到最佳线性无偏估计量。 * 德宾两步法 当自相关系数未知时，也可采用德宾提出的两步法，消除自相关。将广义差分方程表示为： * 第一步，把上式作为一个多元回归模型，使用普通最小二乘法估计参数。把 的回归系数 看作 的一个估计值 。 第二步，求得 后，使用 进行广义差分， 求得序列： 和 然后使用普通最小二乘法对广义差分方程估计 参数，求得最佳线性无偏估计量。 * 研究范围：美国商业部门真实工资与生产率的关系（1959~2006） 建立模型： －真实工资， －生产率 第五节 案例分析 * 据表10-1的数据使用普通最小二乘法估计消费模型得： 该回归方程可决系数较高，回归系数均显著。对样本量为19、一个解释变量的模型、5%显著水平，查DW统计表可知， ，模型中 ，显然消费模型中有自相关。这也可从残差图中看出，点击EViews方程输出窗口的按钮Resids可得到残差图，如图6.6所示。 模型的建立、估计与检验 * 图6.6 残差图 * 自相关问题的处理 使用科克伦－奥克特的两步法解决自相关问题:由模型可得残差序列 ，在EViews中，每次回归的残差存放在resid序列中，为了对残差进行回归分析，需生成命名为 的残差序列。在主菜单选择Quick/Generate Series 或点击工作文件窗口工具栏中的Procs/Generate Series，在弹出的对话框中输入 ，点击OK得到残差序列 。使用 进行滞后一期的自回归，在EViews 命今栏中输入ls e e(-1)可得回归方程： * 可知 ，对原模型进行广义差分，得到广义差分方程： 对广义差分方程进行回归，在EViews命令栏中输入 回车后可得方程输出结果如表6.4。 * 表6.4 广义差分方程输出结果 Dependent Variable: Y-0.496014*Y(-1) Method: Least Squares Date: 03/26/05 Time: 12:32 Sample(adjusted): 1986 2003 Included observations: 18 after adjusting endpoints Variable Coefficient Std. Error t-Statistic Prob. C 60.44431 8.964957 6.742287 0.0000 X-0.496014*X(-1) 0.583287 0.029410 19.83325 0.0000 R-squared 0.960914 Mean dependent var 231.9218 Adjusted R-squared 0.958472 S.D. dependent var 49.34525 S.E. of regression 10.05584 Akaike info criterion 7.558623 Sum squared resid 1617.919 Schwarz criterion 7.657554 Log likelihood -66.02761 F-statistic 393.3577 Durbin-Watson stat 1.397928 Prob(F-statistic) 0.000000 * 由表6.4可得回归方程为：由于使用了广义差分数据，样本容量减少了1个，为18个。查5%显著水平的DW统计表可知 模型中