第七章 序列相关性1 - 副本.ppt

计量经济学—理论·方法·EViews应用 郭存芝 杜延军 李春吉 编著;第七章 序列相关性;◆序列相关性及其产生原因;第一节 序列相关性及其产生原因;自相关往往可以写成如下形式： ;二、序列相关的原因;1．经济数据序列惯性;2．模型设定的偏误;2．模型设定的偏误;2．模型设定的偏误;2．模型设定的偏误;3．滞后效应;4．蛛网现象;5．数据的编造;第二节 序列相关性的影响;1．参数估计量非有效;为了具体说明这一点，我们回到简单的一元回归模型; 但给定干扰项为一阶序列相关时，;2．随机误差项方差估计量是有偏的;3．拟合优度检验R2统计量和方程显著性检验F统计量无效;4．变量的显著性检验t 检验统计量和相应的参数置 信区间估计失去意义;5．模型的预测失效;第三节 序列相关性的检验;序列相关性的检验方法;一、图示法;二、回归检验法;三、杜宾—沃森检验;杜宾—沃森针对原假设; 因此，在运用D-W检验时，只须计算该统计量的值，再根据样本容量n;例7-1 ;解： ; 在许多情况下，人们发现上限; 在许多情况下，人们发现上限;四、拉格朗日乘子检验;约束条件为; p值即滞后的长度无法预先给定，因此实践操作中可从1阶、2阶… 逐次相更高阶检验，并用辅助回归方程（7-29）式中各个残差项前面的 参数的显著性来帮助判断序列相关的阶数。;例7-2 ;第四节 序列相关的补救;一、广义最小二乘法;显然，;则;二、广义差分法;为说明这一点，考虑以下多元回归模型为例：; （7-37）;更一般地如果多元回归模型; 采用OLS法估计该模型得到的参数估计量即为原模型参数的无偏有效 估计量，这样处理序列相关的方法就是广义差分法。;用矩阵表示为;从而有;; 类似地对具有p阶序列相关的多元回归模型的广义差分法估计也等同于广义最小二乘估计，但我们损失了前面p个样本观测值，这一点可以从广义差分模型（7-40）式看出来。在样本规模较大而误差序列相关阶数较小时，广义差分法与广义最小二乘法的估计结果很接近。但在小样本或误差呈现较大的高阶序列相关时，观测值的损失可能会对估计结果有影响。因此在广义差分变换中，有时需弥补这一损失。;2）自相关系数未知时的处理;（1）一次差分法;对（7-42）进行一次差分得到;如果原模型为包含时间趋势的模型： ; 如果原模型中随机干扰项是完全一阶负相关的， 那么一次差分处理的方法就是相反了。;怎样知道假定ρ=1是否合理呢？？;例7-3 ;（2）根据D.W.统计量来估计ρ; （7-48）;一旦从（7-48）估计出;（3）科克伦-奥科特（（Cochrane-Orcutt）迭代法; 按如下步骤来估计自回归系数; 。;（4）杜宾两步法; 2．求得;还有一些其他的估计;第五节 案例分析;;一、OLS回归与序列相关性检验;相应的回归方程为; 图7-2 回归残差的路径图和相邻残差散点图;;相应地，模型（7-57）的随机误差一阶序列相关LM检验的辅助回归方程为;再对回归模型(7-57)进行二阶和三阶序列相关LM检验;; 相应的二阶和三阶序列相关LM检验的辅助回归方程分别为方程（7-60）式和（7-61）式。;分析 二阶序列相关LM检验辅助回归程中的拉格朗日乘子LM为25.898，伴随概率小于0.05的显著性水平，因此在5%显著性水平上拒绝模型（7-57）OLS回归残差项没有二阶序列相关的原假设。此外滞后1阶和滞后2阶残差项的回归系数在统计上是显著的，因此可以判断模型（7-57）随机误差项存在二阶序列相关性。;二、运用可行的广义差??法进行随机误差序列相关的处理; （7-63）;相应的回归方程为