《时间序列分析》课程“自相关（一）：概念、检验与后果”教学设计（本科三年级 经济统计学专业）

《时间序列分析》课程“自相关（一）：概念、检验与后果”教学设计（本科三年级经济统计学专业）【教学基本信息】课题名称：自相关（一）：概念、检验与后果授课对象：本科三年级经济统计学专业课时安排：2课时（90分钟）教材分析：本节内容选自《计量经济学》（第X版）第四章“违背经典假设的回归模型”第二节。在此之前，学生已系统学习了经典线性回归模型的假设、参数估计（OLS）与统计检验。自相关问题作为经典假设中“无自相关”假设被违背的情形，是时间序列数据分析中最常见的问题之一。本节课是该系列的第一讲，核心在于帮助学生建立对自相关现象的直观认识，掌握其检验方法，并理解其带来的严重后果，为下一讲学习补救措施（广义差分法、NeweyWest标准误）奠定坚实基础。学情分析：学生已具备概率论与数理统计的基础知识，熟悉OLS估计的BLUE性质，能够独立完成基于截面数据的回归分析。但对于时间序列数据的特点，如趋势性、周期性，以及数据前后之间的关联性，尚缺乏深入理解和系统训练。他们容易机械地应用OLS于时间序列数据，而忽略其可能违反独立同分布假设的问题。因此，本课程的重点在于“唤醒”学生对数据生成过程的关注，而非仅仅关注计算技巧。【教学目标】1.知识与技能目标（【基础】）：（1）准确阐述自相关的经济学含义与统计学定义，能够区分一阶自相关与高阶自相关。（2）熟练书写一阶自回归形式AR(1)的数学表达式，并解释其参数ρ的意义。（3）掌握DW检验（DurbinWatson检验）的基本原理、决策规则及其使用限制。（4）深刻理解存在自相关时，OLS估计量虽然仍为线性无偏，但不再有效，且方差估计有偏，导致t检验、F检验失效，预测精度降低等严重后果。2.过程与方法目标（【重要】）：（1）通过模拟不同ρ值下的序列数据，观察序列的波动特征，培养学生从图形中识别自相关模式的直观判断能力。（2）引导学生运用所学知识，在EViews或Stata软件中实现对实际经济数据（如居民消费、GDP）的自相关检验，并对检验结果进行解读。（3）通过对比存在自相关和不存在自相关条件下OLS估计量的抽样分布，深化学生对估计量有效性概念的理解。3.情感、态度与价值观目标：（1）培养学生严谨求实的科学态度，意识到模型假设检验的重要性，避免盲目套用模型。（2）通过对真实经济数据建模的分析，使学生认识到计量经济学方法在经济分析、政策评价中的实际应用价值，增强其解决现实问题的责任感。【教学重难点】1.教学重点（【高频考点】）：（1）自相关的概念与AR(1)模型的定义。（2）DW检验的统计量构造、决策区间及其应用。（3）自相关导致的严重后果，特别是对t统计量影响的理解。2.教学难点（【难点】）：（1）深入理解为何自相关不影响OLS估计量的无偏性，却会影响其有效性（最小方差性）。（2）DW检验的局限性及其与后续BG检验（BreuschGodfrey检验，即下一讲内容）的逻辑衔接。（3）直观理解“正自相关”与“负自相关”如何影响回归残差的波动模式。【教学实施过程】一、导入：从“惯性”现象说起（约8分钟）（一）情境创设：经济变量的“记忆”同学们，大家好。在前面的学习中，我们主要利用横截面数据来研究变量间的关系，比如分析不同家庭的收入与消费支出。在那种情境下，我们通常假设一个家庭的消费行为与另一个家庭的消费行为是相互独立的。但当我们把目光投向宏观经济，研究时间序列数据，比如研究改革开放以来中国GDP与居民消费总额的关系时，情况就大不相同了。请大家思考：今年的GDP是否独立于去年的GDP？本季度的居民消费是否独立于上个季度的居民消费？显然不是。经济发展有其内在的惯性，高增长之后往往伴随着较高的增长，经济危机之后复苏也往往需要一个过程。这种时间上的“惯性”或“记忆性”，就是我们今天要探讨的核心问题——自相关。（二）提出核心问题当我们用普通最小二乘法（OLS）去估计这样一个宏观消费函数模型：Consumption_t=β₀+β₁GDP_t+μ_t时，如果μ_t（误差项）之间存在着这种“惯性”关系，即μ_t=ρμ_{t1}+ε_t，那么我们的经典假设就被打破了。这种打破会带来什么后果？我们该如何诊断它？这堂课，我们就来系统解决这两个问题。二、核心原理讲解（一）：自相关的定义与数学表达（约15分钟）（一）概念的精确定义（【基础】）自相关（Autocorrelation），又称序列相关（SerialCorrelation），是指在时间序列（或有时在空间数据）的回归模型中，不同期的随机误差项之间存在的相关关系。用数学语言表述，即对于任意两个不同的观测期t和s（t≠s），其协方差不为零：Cov(μ_t,μ_s)=E(μ_tμ_s)≠0这与经典假定Cov(μ_t,μ_s)=0形成鲜明对比。（二）一阶自回归形式AR(1)（【非常重要】）在现实中，最常见也最简单的自相关模式是误差项仅与其前一期相关，我们称之为一阶自相关，通常记为AR(1)模型。其具体形式为：μ_t=ρμ_{t1}+ε_t其中：ρ：称为自相关系数，是度量本期误差与上期误差之间线性相关程度的参数，且满足|ρ|<1，以保证过程是平稳的。ε_t：是一个新的、满足经典假定的随机误差项，即它是一个白噪声过程：均值为0，方差恒定，且自身无自相关，即ε_t~IID(0,σ_ε²)。（三）深入理解自相关系数ρ的意义在这里，ρ的符号和大小至关重要。若ρ>0，称为正自相关。意味着误差项具有正向的惯性。如果上期的误差是正的（即实际值高于拟合值），那么本期的误差也很可能是正的。这在经济时间序列中最为常见，如前述的消费惯性、GDP增长的持续性。残差图会表现为一种较少穿越零线的、同向的片状或团状模式。若ρ<0，称为负自相关。意味着误差项有反向修正的趋势。如果上期的误差是正的，本期的误差很可能是负的。这在经济数据中相对少见，但可能出现在某些经过过度调整后的序列或某些季节调整后的数据中。残差图会表现为一种频繁穿越零线、正负交替频繁的模式。若ρ=0，即不存在一阶自相关，误差项是随机的，这正是我们的理想情况。（四）高阶自相关的简要提及在结束这部分之前，我们还需要知道，自相关并不局限于相邻两期，也可能相隔多期，如μ_t与μ_{t2}、μ_{t4}相关，例如季度数据中的季节效应。这被称为高阶自相关，记为AR(p)形式：μ_t=ρ₁μ_{t1}+ρ₂μ_{t2}+…+ρ_pμ_{tp}+ε_t。我们今天主要攻克最基础的AR(1)形式。三、核心原理讲解（二）：自相关的诊断与检验（约30分钟）（一）定性分析：图示法（【重要】）在进行正式的统计检验之前，直观的图形观察是第一道防线，也是最直观的诊断工具。1.残差时序图：对模型进行OLS估计后，得到残差e_t。以时间t为横轴，残差e_t为纵轴，绘制折线图。如果残差呈现出连续的几个正值后，接着连续的几个负值，呈现锯齿状或波浪状，则提示存在正自相关；如果残差频繁地交替正负，呈剧烈震荡状，则提示存在负自相关。2.残差滞后相关图：绘制e_t与e_{t1}的散点图。如果散点大致呈现一条从左下到右上的直线，提示正自相关；如果呈现一条从左上到右下的直线，则提示负自相关。（二）定量分析：DurbinWatson检验（【高频考点】【难点】）DW检验是检验一阶自相关最经典、应用最广泛的方法。1.检验统计量的构造DW统计量的定义式为：DW=Σ_{t=2}^{T}(e_te_{t1})²/Σ_{t=1}^{T}e_t²其中e_t是OLS估计后的第t期残差，T是样本容量。2.DW统计量与ρ的关系（【非常重要】）我们可以证明，当样本容量T较大时，DW统计量与一阶自相关系数ρ的估计值^ρ（即ρ的OLS估计值）存在一个近似关系：DW≈2(1^ρ)推导思路（此处可以简略推导）：展开分子得Σ(e_t²+e_{t1}²2e_te_{t1})。对于大样本，Σe_t²≈Σe_{t1}²，且^ρ≈Σe_te_{t1}/Σe_t²。因此，DW≈[2Σe_t²2Σe_te_{t1}]/Σe_t²=2(1^ρ)。3.DW检验的决策规则这个近似关系揭示了DW值的核心意义：若^ρ=0（无自相关），则DW≈2。若^ρ=1（完全正自相关），则DW≈0。若^ρ=1（完全负自相关），则DW≈4。因此，DW值的取值范围是[0,4]。数值越接近0，正自相关的可能性越大；越接近4，负自相关的可能性越大；越接近2，无自相关的可能性越大。但是，DW统计量的精确分布受样本容量T和解释变量个数k影响。德宾和沃森给出了在给定显著性水平α下（通常取5%），对应于不同T和k的临界值d_L和d_U。决策规则如下：计算DW值，并与d_L和d_U比较：（1）0<DW<d_L：拒绝H₀:ρ=0，认为存在正自相关。（2）d_L≤DW≤d_U：无法做出判断，落入“无法判定区”。（3）d_U<DW<4d_U：不拒绝H₀，认为不存在一阶自相关。（4）4d_U≤DW≤4d_L：落入“无法判定区”。（5）4d_L<DW<4：拒绝H₀，认为存在负自相关。1.DW检验的局限性（【重要】）尽管经典，但DW检验有其固有的缺陷，必须向同学们强调：（1）它只适用于检验一阶自相关，对于高阶自相关无能为力。（2）它存在两个无法判定的盲区，尤其是在样本容量较小或解释变量个数较多时，d_L和d_U的值差距拉大，无法判定区会变得很宽。（3）当模型中被解释变量的滞后项作为解释变量时（即动态模型，如Y_t=β₀+β₁Y_{t...+...），DW检验倾向于向2偏倚，此时DW检验不再有效。需要引入后续要学的Durbinh检验或BG检验。四、核心原理讲解（三）：自相关的后果——为何我们必须重视它（约20分钟）这一部分是整节课的灵魂，旨在让学生理解为什么我们不能对自相关问题视而不见。（一）对参数估计量的影响（【基础】）1.无偏性依然成立：在证明OLS估计量无偏性时，我们只需要满足解释变量与误差项同期无关的假设E(X'μ)=0，并不需要误差项无自相关。因此，即使存在自相关，OLS估计量^β仍是无偏的。2.最小方差性（有效性）丧失：这是问题的关键。根据高斯马尔可夫定理，OLS估计量在所有线性无偏估计量中方差最小的结论，必须建立在误差项同方差且无自相关的基础上。当自相关存在时，误差项的协方差矩阵不再是σ²I，而是一个更复杂的矩阵。此时，OLS估计量的方差计算公式Var(^β){OLS}=σ²(X'X)^{1}是错误的，正确的方差应为Var(^β){正确}=(X'X)^{1}X'ΩX(X'X)^{1}。我们通常会说，此时OLS估计量不再是最佳线性无偏估计量（BLUE），其方差大于广义最小二乘法（GLS）等更有效方法的方差。（二）对模型检验的影响（【非常重要】）S.E.检验和F检验失效：由于我们误用了OLS方差公式，导致估计出的标准误（S.E.）是有偏的。在正自相关的情况下，OLS通常会严重低估真实的方差（即标准误偏小），从而计算出偏大的t统计量。这会使我们更容易拒绝原假设，将本不显著的变量误判为显著，即夸大了变量的显著性，犯了“纳伪”的错误，使模型看起来比实际情况更“漂亮”，但这是一种危险的假象。2.拟合优度R²被高估：与t统计量偏大类似，R²也可能被高估，使模型的解释力看起来比实际更强。（三）对模型预测的影响预测的方差会被低估。当我们用存在自相关的模型进行预测时，我们基于OLS计算的预测区间会比真实的区间更窄，这会导致我们对自己的预测过于自信，增加了预测风险。五、案例实操与软件演示（约12分钟）（一）案例背景我们沿用导入时的例子，研究中国城镇居民人均消费性支出（Consume）与人均可支配收入（Ine）的关系。数据为年的年度数据。我们首先建立一个简单回归模型：LnConsume_t=β₀+β₁LnIne_t+μ_t。（二）EViews操作演示（投影同步进行）1.估计模型：在EViews中打开数据文件，输入命令lslog(consume)clog(ine)，得到回归结果。2.查看DW值：在回归结果输出表的底部，可以找到“DurbinWatsonstat”一栏，假设结果为0.45。3.解读DW值：样本容量T=33，解释变量个数k=1（不包括常数项）。查DW检验临界值表，在5%显著性水平下，d_L≈1.38，d_U≈1.51。由于DW=0.45<d_L，根据决策规则，我们拒绝原假设，认为模型存在严重的正自相关。4.图示法验证：在方程窗口点击View/ResidualDiagnostics/CorrelogramQstatistic，可以观察残差的自相关图和偏自相关图。可以看到，在滞后一期处，自相关系数（AC）显著不为0，且Q统计量的p值很小，这证实了残差确实存在一阶自相关。同时，在残差序列窗口点击View/Graph，观察残差时序图，可以看到残差确实存在连续同号、较少穿越零线的特征，符合正自相关的直观特征。（三）引导学生思考现在我们通过DW值和图形都发现了自相关。如果此时我们直接认为OLS结果是可靠的，可能会夸大收入对消费的弹性系数β₁的显著性。那么，接下来我们应该怎么做？这正是我们下一堂课要解决的问题——如何修正自相关。六、课堂小结与作业布置（约5分钟）（一）课堂小结（【重要】）今天我们共同学习了时间序列数据分析中的一个核心概念——自相关。我们明白了它是误差项自身在不同时期的相关性，其中最常见的形式是一阶自回归AR(1)。我们掌握了诊断自相关的两种主要方法：直观的图示法和经典的DW检验法，并深刻理解了DW统计量与自相关系数ρ的内在联系。最后，我们剖析了自相关带来的严重后果：OLS虽无偏，但不再有效，检验失效，预测失真。请记住，识别问题是解决问题的前提。（二）作业布置1.理论推导题：请尝试从Var(^β)的矩阵表达式出发，推导在AR(1)模式下，为何正自相关会导致OLS标准误被低估。（提示：需要用到误差项的协方差矩阵Ω）。2.软件操作题：请自行查找一组含有时间序列的经济数据（例如，货币供应量与物价指数），建立你认为合适的回归模型。利用EViews或Stata完成以下任务：（1）输出回归结果，记录DW值。（2）绘制残差的时序图和滞后相关图，并据此初步判断是否存在自相关及其类型。（3）查阅DW检验临界值表，对你的模型进行严格的DW检验，并给出结论。3.预习作业：既然OLS在自相关下不再是BLUE，我们应该如何修正？请预习下一节内容“自相关的补救：广义差分法与异方差自相关一致标准误”。【