大学本科《计量经济学》‘自相关（五）’创新教学设计

大学本科《计量经济学》‘自相关（五）’创新教学设计【教材分析】本次课程是本科计量经济学核心章节“违背古典假定的回归模型”中关于“自相关”问题的第五讲，属于该部分的深化与收尾阶段。在前四讲中，学生已经系统掌握了自相关的概念、产生原因、后果、检验方法（以DurbinWatson检验为核心）以及基本的补救措施（广义差分法、CochraneOrcutt迭代法）。本讲的核心任务在于帮助学生构建一个完整的知识体系，重点攻克在处理自相关问题时所面临的复杂情境与高级应用，包括如何处理高阶自相关、在存在滞后被解释变量的模型中如何诊断自相关，以及如何运用现代计量软件（以EViews或Stata为蓝本）高效、准确地完成自相关的识别与修正。教材选用的是国内高校广泛使用的高等教育出版社出版，李子奈教授编写的《计量经济学》（第五版），并结合伍德里奇（JeffreyM.Wooldridge）的《计量经济学导论：现代观点》中的前沿理念进行补充与拓展。【学情分析】授课对象为大学本科经济学专业三年级学生。他们已经完成了微观经济学、宏观经济学、高等数学、概率论与数理统计以及基础计量经济学课程的学习，具备了较为扎实的理论基础和一定的软件操作能力。【重要】然而，学生在面对实际问题时，往往存在“重检验、轻原理”、“重操作、轻诊断”的倾向。他们能够熟练运行DW检验，但对于DW检验的失效情形（如模型含滞后因变量）缺乏警惕；能够使用迭代法修正自相关，但对迭代是否收敛、修正后的模型是否真正满足经典假定缺乏深入思考。因此，本讲的教学设计必须着眼于打通理论与应用的“最后一公里”，培养学生的批判性思维和解决复杂问题的能力。【教学目标】1.知识与技能目标：【基础】能够准确复述高阶自相关的概念，并熟练运用LM检验（拉格朗日乘数检验，即BreuschGodfrey检验）对模型进行高阶自相关检验；【重要】能够清晰阐述当模型中存在滞后被解释变量时，DW检验失效的原因及替代检验方案（如Durbinh检验）；【核心】能够独立使用计量软件（EViews/Stata）完成对存在自相关模型的完整诊断与修正流程，并能规范地解读和报告输出结果。2.过程与方法目标：通过案例驱动的探究式教学，引导学生经历“问题提出—理论辨析—软件实现—结果解读—结论反思”的完整研究过程。培养学生运用比较分析法（如比较DW检验与LM检验的适用条件）、抽象与具体化思维（将理论公式转化为软件操作步骤）以及严谨的学术论文写作规范。3.情感、态度与价值观目标：培养学生严谨求实的科学态度，认识到任何计量方法都有其适用边界，不能盲目套用。通过解决实际经济问题（如中国居民消费函数、股票市场收益率序列等），增强学生运用计量工具解释现实经济现象的信心和社会责任感。【教学重点与难点】【重点】（1）BreuschGodfreyLM检验（拉格朗日乘数检验）的原理、步骤与软件实现。（2）Durbinh检验的适用场景与计算方法。（3）存在高阶自相关时的广义差分法修正策略。【难点】（1）理解在动态模型（含滞后因变量）中，为什么普通最小二乘估计（OLS）的估计量虽然可能一致但DW统计量却偏向于2，导致检验失效。（2）掌握CochraneOrcutt迭代法、HildrethLu搜索法以及PraisWinsten变换在处理自相关时的区别与联系，并能根据软件输出判断迭代是否达到全局最优。【教学实施过程】（一）复习引入与问题情境创设课程开始，教师首先通过多媒体展示两个经典的计量经济学案例。案例一：基于年中国城镇居民人均消费性支出与人均可支配收入数据，建立简单线性回归模型。教师呈现前几节课学生完成的DW检验结果，显示DW统计量约为0.25，远小于临界值，表明存在显著的一阶正自相关。案例二：展示一个包含滞后一期消费的“适应性预期”模型，即当前消费不仅受当前收入影响，还受过去消费习惯影响。教师提问：“在这个动态模型中，如果我们仍然使用DW检验来诊断误差项的自相关，结论是否依然可靠？为什么？”通过这两个对比鲜明的案例，迅速抓住学生的注意力，引出本节课的核心议题——当自相关形态复杂（高阶）或模型结构特殊（含滞后因变量）时，我们的检验工具箱需要如何升级？（二）突破难点一：高阶自相关的检验——LM检验1.【基础】概念引出：教师明确，前几节课讨论的AR(1)（一阶自回归）只是自相关的一种特例。在经济时间序列中，由于经济活动的惯性、季节效应或数据频率（如季度数据）的影响，误差项可能存在AR(2)、AR(3)甚至更复杂的形式，即ut=ρ1ut−1+ρ2ut−2+...+ρput−p+ϵtu_t=\rho_1u_{t1}+\rho_2u_{t...+...+\rho_pu_{tp}+\epsilon_t...=ρ1​ut−1​+ρ2​ut−2​+...+ρp​ut−p​+ϵt​。DW检验主要针对AR(1)设计，对于高阶自相关无能为力。2.【难点】原理精讲：介绍Breusch与Godfrey在1978年提出的LM检验。教师强调，LM检验的核心思想是一个“辅助回归”（AuxiliaryRegression）思想。其步骤可概括为：（1）用OLS估计原模型，得到残差序列{u^t}\{\hat{u}_t\}{u^t​}。（2）构建辅助回归模型：将u^t\hat{u}_tu^t​对原模型的所有解释变量（记为X）以及残差的滞后项u^t−1,u^t−2,...,u^t−p\hat{u}_{t1},\hat{u}_{t......,\hat{u}_{tp}...−1​,u^t−2​,...,u^t−p​进行回归。注意，这里的p是我们假设的自相关阶数。（3）计算此辅助回归的拟合优度R2R^2R2。在样本容量n足够大的情况下，可以证明，LM统计量=(n−p)×R2=(np)\timesR^2=(n−p)×R2近似服从自由度为p的卡方分布χ2(p)\chi^2(p)χ2(p)。（4）若LM统计量大于给定显著性水平下的临界值，则拒绝“无自相关”的原假设，认为存在直至p阶的自相关。3.【重要】辨析与澄清：教师必须明确指出LM检验的几个关键点：第一，辅助回归中必须包含原模型的所有解释变量，这是保证检验统计量正确分布的关键；第二，由于辅助回归中存在残差的滞后项，样本容量会损失p个，实际计算时软件会自动调整；第三，LM检验不仅能检验高阶自相关，也能检验一阶自相关，且对ARMA形式的误差过程也适用，是一个更具一般性的检验。Test...件演示与结果解读（以EViews为例）：教师在课堂实时投影软件操作界面。首先，调用中国消费数据案例的OLS估计结果。然后，点击“View/ResidualDiagnostics/SerialCorrelationLMTest...”，在弹出的对话框中输入需要检验的最高阶数，例如2（检验是否存在二阶自相关）。软件瞬间输出结果。教师逐项解读：第一张表是辅助回归的结果；第二张表包含两个统计量——F统计量和LM统计量（ObsRsquared）。教师引导学生重点关注LM统计量及其对应的P值。本例中P值接近0，远小于0.05，因此强烈拒绝无自相关的原假设，表明模型误差项存在显著的高阶（至少二阶）自相关。【高频考点】教师强调，在学术论文的实证部分，报告自相关检验结果时，越来越多地要求汇报LM检验的结果，因为它比DW检验更可靠、适用范围更广。（三）攻克难点二：动态模型中的自相关检验——Durbinh检验1.【重要】问题聚焦：教师回到课程开始的案例二。模型形式为：Ct=β1+β2Yt+β3Ct−1+utC_t=\beta_1+\beta_2Y_t+\beta_3C_{t1}+u_tCt​=β1​+β2​Yt​+β3​Ct−1​+ut​，其中CtC_tCt​为当期消费，YtY_tYt​为当期收入，Ct−1C_{t1}Ct−1​为滞后一期消费（即滞后被解释变量）。教师提问：“为什么我们不能在此使用DW检验？”引导学生思考。2.【难点】原理剖析：教师深入浅出地解释，DW检验的一个关键假设是解释变量是严格外生的。但在动态模型中，滞后因变量Ct−1C_{t1}Ct−1​作为解释变量，它与误差项utu_tut​的关系变得复杂。虽然在大样本下，如果utu_tut​无自相关，OLS估计量是一致的，但一旦utu_tut​存在自相关，Ct−1C_{t1}Ct−1​与utu_tut​就会相关，导致估计量不一致。更关键的是，即便utu_tut​无自相关，DW统计量的分布也会因为Ct−1C_{t1}Ct−1​的存在而发生偏移，使其总是趋近于2，从而严重降低检验的功效。因此，DW检验失效了。3.解决方案——Durbinh检验：教师引出由Durbin提出的一个针对动态模型的大样本检验方法。其检验统计量h定义为：h=ρ^n1−n⋅Var^(β^3)h=\hat{\rho}\sqrt{\frac{n}{1n\cdot\widehat{Var}(\hat{\beta}_3)}}h=ρ^​1−n⋅Var<pathd="M11810h2lc601051011l223c165101110h1L11826715220h1c601041110l223c164111011z">(β^​3​)n​<pathd="M98390l00c4,6.7,10,10,18,10Hv40H1013.1s83.4,268,264.1,840c180.7,572,277,876.3,289,913c4.7,4.7,12.7,7,24,7s12,0,12,0c1.3,3.3,3.7,11.7,7,25c35.3,125.3,106.7,373.3,214,744c10,12,21,25,33,39s32,39,32,39c6,5.3,15,14,27,26s25,30,25,30c26.7,32.7,52,63,76,91s52,60,52,60s208,722,208,722c56,175.3,126.3,397.3,211,666c84.7,268.7,153.8,488.2,207.5,658.5c53.7,170.3,84.5,266.8,92.5,289.5zMhv40hz">​其中，ρ^\hat{\rho}ρ^​是一阶自相关系数的估计值，通常近似取ρ^≈1−DW/2\hat{\rho}\approx1DW/2ρ^​≈1−DW/2；n是样本容量；Var^(β^3)\widehat{Var}(\hat{\beta}_3)Var<pathd="M11810h2lc601051011l223c165101110h1L11826715220h1c601041110l223c164111011z">(β^​3​)是滞后因变量系数估计量的方差。Durbin证明了，在原假设（无自相关）下，h统计量近似服从标准正态分布N(0,1)。4.【热点】软件实现与判据：教师在软件中演示。在EViews中，估计完动态模型后，可以直接在结果输出界面下方查看DurbinWatsonstat，但同时会有一个警告：“DurbinWatsonstatisticisnotvalidformodelswithlaggeddependentvariables.”软件并不会自动计算h统计量，需要手动计算或通过特定指令。教师演示如何手动计算：首先记录下DW值（假设为2.1），计算出ρ^=(1−2.1/2)=−0.05\hat{\rho}=(12.1/2)=0.05ρ^​=(1−2.1/2)=−0.05；然后从回归结果中找到β^3\hat{\beta}_3β^​3​的标准误（假设为0.02），其方差为0.0004，假设n=100。代入公式：h=−0.05×1001−100×0.0004=−0.05×1000.96=−0.05×10.206=−0.5103h=0.05\times\sqrt{\frac{100}{1100\times0.0004}}=0.05\times\sqrt{\frac{100}{0.96}}=0.05\times10.206=0.5103h=−0.05×1−100×0.0004100​<pathd="M98390l00c4,6.7,10,10,18,10Hv40H1013.1s83.4,268,264.1,840c180.7,572,277,876.3,289,913c4.7,4.7,12.7,7,24,7s12,0,12,0c1.3,3.3,3.7,11.7,7,25c35.3,125.3,106.7,373.3,214,744c10,12,21,25,33,39s32,39,32,39c6,5.3,15,14,27,26s25,30,25,30c26.7,32.7,52,63,76,91s52,60,52,60s208,722,208,722c56,175.3,126.3,397.3,211,666c84.7,268.7,153.8,488.2,207.5,658.5c53.7,170.3,84.5,266.8,92.5,289.5zMhv40hz">​=−0.05×0.96100​<pathd="M98390l00c4,6.7,10,10,18,10Hv40H1013.1s83.4,268,264.1,840c180.7,572,277,876.3,289,913c4.7,4.7,12.7,7,24,7s12,0,12,0c1.3,3.3,3.7,11.7,7,25c35.3,125.3,106.7,373.3,214,744c10,12,21,25,33,39s32,39,32,39c6,5.3,15,14,27,26s25,30,25,30c26.7,32.7,52,63,76,91s52,60,52,60s208,722,208,722c56,175.3,126.3,397.3,211,666c84.7,268.7,153.8,488.2,207.5,658.5c53.7,170.3,84.5,266.8,92.5,289.5zMhv40hz">​=−0.05×10.206=−0.5103查标准正态分布表，在5%显著性水平下，临界值为±1.96。由于|h|<1.96，所以不能拒绝原假设，认为模型不存在一阶自相关。教师强调，h检验的局限性在于，当n⋅Var^(β^3)≥1n\cdot\widehat{Var}(\hat{\beta}_3)\ge1n⋅Var<pathd="M11810h2lc601051011l223c165101110h1L11826715220h1c601041110l223c164111011z">(β^​3​)≥1时，公式分母为虚数，检验无法进行。此时，可以退而求其次，使用LM检验，因为在辅助回归中加入Ct−1C_{t1}Ct−1​后，LM检验在动态模型中依然渐近有效。（四）核心技能：自相关的修正策略进阶1.识别自相关形式：教师首先带领学生回顾前几节课的广义差分法。强调修正的第一步不是盲目差分，而是要“对症下药”。基于LM检验的结果，如果确定是AR(2)过程，即ut=ρ1ut−1+ρ2ut−2+ϵtu_t=\rho_1u_{t1}+\rho_2u_{t2}+\epsilon_tut​=ρ1​ut−1​+ρ2​ut−2​+ϵt​，那么就需要进行二阶广义差分。2.【难点】高阶广义差分变换：教师板书推导变换过程。原模型Yt=β1+β2X2t+...+βkXkt+ut...=\beta_1+\beta_2X_{2t}+...+\beta_kX_{kt}+u_t...=β1​+β2​X2t​+...+βk​Xkt​+ut​。写出t期、t1期和t2期的模型：(1)Yt=β1+β2X2t+...+βkXkt+ut...=\beta_1+\beta_2X_{2t}+...+\beta_kX_{kt}+u_t...=β1​+β2​X2t​+...+βk​Xkt​+ut​(2)Yt−1=β1+β2X2,t−1+...+βkXk,t−1+ut−1Y_{t1}=\beta_1+\beta_2X_{2,t...+...+\beta_kX_{k,t1}+u_{t1}...1​=β1​+β2​X2,t−1​+...+βk​Xk,t−1​+ut−1​(3)Yt−2=β1+β2X2,t−2+...+βkXk,t−2+ut−2Y_{t2}=\beta_1+\beta_2X_{2,t...+...+\beta_kX_{k,t2}+u_{t2}...2​=β1​+β2​X2,t−2​+...+βk​Xk,t−2​+ut−2​将(1)式减去ρ1\rho_1ρ1​乘以(2)式，再减去ρ2\rho_2ρ2​乘以(3)式，并利用ut−ρ1ut−1−ρ2ut−2=ϵtu_t\rho_1u_{t1}\rho_2u_{t2}=\epsilon_tut​−ρ1​ut−1​−ρ2​ut−2​=ϵt​，得到变换后的模型：Yt−ρ1Yt−1−ρ2Yt−2=β1(1−ρ1−ρ2)+β2(X2t−ρ1X2,t−1−ρ2X2,t−2)+...+βk(Xkt−ρ1Xk,t−1−ρ2Xk,t−2)+ϵtY_t\rho_1Y_{t1}\rho_2Y_{t2}=\beta_1(1\rho_1\rho_2)+\beta_2(X_{2t}\rho_1X_{2,t1}\rho_2X_{2,t...+...+\beta_k(X_{kt}\rho_1X_{k,t1}\rho_2X_{k,t2})+\epsilon_t...−ρ1​Yt−1​−ρ2​Yt−2​=β1​(1−ρ1​−ρ2​)+β2​(X2t​−ρ1​X2,t−1​−ρ2​X2,t−2​)+...+βk​(Xkt​−ρ1​Xk,t−1​−ρ2​Xk,t−2​)+ϵt​这个变换后的模型具有球形扰动项，可以应用OLS估计。3.【重要】软件实现策略——迭代法与搜索法：教师演示在EViews中如何便捷地实现高阶自相关的修正。有两种主要方法：方法一：在方程估计窗口中，直接输入AR项。例如，在模型设定框中，原公式写为“YCX”，然后在后面加上“AR(1)AR(2)”。EViews会自动使用非线性估计（通常是Marquardt算法）来同时估计模型的结构参数和自回归参数ρ1,ρ2\rho_1,\rho_2ρ1​,ρ2​。教师解释，这实际上就是CochraneOrcutt迭代法的高阶版本。它会反复迭代，直到参数估计收敛。方法二：使用HildrethLu搜索法。教师简要介绍该方法，即在一系列预设的ρ\rhoρ值（如0.9到0.9，步长0.01）上进行网格搜索，找到使残差平方和最小的那组ρ\rhoρ值。这种方法计算量大，但能保证找到全局最优解，避免迭代法可能陷入局部最优的问题。4.【高频考点】结果解读与模型诊断：教师展示AR(2)模型的估计结果。重点关注两点：第一，AR(1)和AR(2)项的系数是否显著。如果其中一个不显著，说明设定的阶数可能过高，应重新进行LM检验后调整模型。第二，修正后模型的自相关检验。教师再次对新模型的残差进行LM检验（例如检验到2阶），发现LM统计量的P值变得很大（如>0.05），说明自相关已经被成功修正。【非常重要】教师强调，一个成功的修正过程，必须伴随着修正后模型的“再诊断”。只有通过了LM检验，证明新的残差已经是“白噪声”，整个修正过程才算完成。（五）综合案例实操与探究教师将学生分成若干小组，分发一份稍显复杂的数据集——例如中国1990年第一季度至2023年第四季度的GDP、货币供应量M2和居民消费价格指数CPI的季度数据。要求学生建立货币需求函数（通常认为M2与GDP、利率相关，但由于缺乏季度利率数据，可用CPI作为通胀预期的代理变量）。研究任务层层递进：1.初步估计与诊断：用OLS估计log(M2t)=β1+β2log(GDPt)+β3CPIt+utlog(M2_t)=\beta_1+\beta_2log(GDP_t)+\beta_3CPI_t+u_tlog(M2t​)=β1​+β2​log(GDPt​)+β3​CPIt​+ut​。进行DW检验和LM检验（检验至4阶，因为季度数据可能存在季节性自回归）。观察结果，讨论自相关的形式。2.模型修正：基于诊断结果，选择合适的修正方法。如果LM检验显示存在显著的4阶自相关，则在模型中加入AR(1)、AR(2)、AR(3)、AR(4)项进行估计。3.模型对比与评价：比较修正前后的模型系数、标准误以及显著性。讨论自相关对估计效率的影响。观察修正后模型残差的LM检验结果，评估修正效果。4.拓展思考：引导学生思考，如果货币需求存在惯性，即包含滞后因变量log(M2t−1)log(M2_{t1})log(M2t−1​)，模型应该如何设定？此时的检验策略又该如何？这为下一阶段“动态面板数据模型”的学习埋下伏笔。小组讨论期间，教师巡回指导，解答学生在软件操作和理论理解上的困惑，鼓励小组内成员相互交流，共同解决问题。最后，随机选取两个小组分享他们的分析过程和结论，教师进行点评和总结，强化本节课的核心知识点。（六）课堂总结与知识升华教师带领学生共同梳理本节课的知识地图。从自相关的复杂性出发，将诊断工具从一阶的DW检验，拓展至高阶的LM检验和适用于动态模型的Durbinh检验。将修正方法从一阶广义差分，延伸到基于AR(p)模型的高阶广义差分及其在软件中的实现（AR项法）。最后，凝练出处理自相关问题的一般性流程：问题提出（识别数据类型与模型结构）→检验诊断（由简到繁，从DW到LM，注意模型边界条件）→修正估计（对症下药，选择AR模型阶数）→再诊断（验证修正效果，确保残差白噪声）→结论报告（规范呈现检验与估计结果）。【核心】教师再次强调，计量经济学的精髓不在于背诵公式，而在于掌握这套严谨的“诊断治疗复查”的科学方法论，这也是现代数据分析师和数据科学家必须具备的核心素养。（七）课后思考与拓展阅读1.【基础作业】完成课后练习题，针对给定的数据集，分别建立静态模型和动态模型，运用本节课所学方法，完成对自相关问题的诊断与修正，并撰写一份不超过800字的规范的研究报告。2.【进阶作业】查找一篇发表于《经济研究》或《管理世界》等国内权威期刊上，使用时间序列数据的实证论文。仔细阅读其实证部分，分析作者是如何处理自相关问题的。他们用了哪些检验方法？采用了何种修正策略？结合本节课所学，对作者的思路进行评述，形成一篇读书笔记。3.