计量经济学第六章.ppt

1、1，6.1序列相关性，串行协作，2，引子：t检验和f检验一定可靠吗？ 研究居民储蓄存款与居民收入的关系：用普通的最小二乘法估算其残奥表： (1.8690 ) (0.0055 )=(14.9343 ) (64.2069 )，3，检验结果表明回归系数的标准误差非常小，t统整同时可决定系数也非常高，f统整量为4122.531 但是，由于该估计结果可能是虚假的，t统修正量和f统修正量都是虚假的、夸大的，所以所得到的结果不可信。 为什么？4，1、序列相关概念2、序列相关的原因3、序列相关的结果4、序列相关的检验5、具有序列相关模型的估计6、情况、6.1序列相关、5，1、序列相关概念，对于不同的采样点，如

2、果在随机误差项之间有任何相关，则模型yi=01 x1I 2 对于n，随机项彼此不相关的基本假设被表达为Cov(i，j)=0 ij，I，j=1，2，n，即在不同的观测点处的误差项彼此相关。7、一阶序列相关或自相关，其中，所述系数可称为协方差系数或第一阶自相关系数，其中自相关多写成i=i-1 i -11，序列相关性经常出现在以时间序列为样本的模型中，因此在本节中用下标t表示I。8、一次自相关系数、自相关系数的定义与普通相关的公式形式相同，可取值的范围在式(6.1 )中是一期延迟的随机误差项。 因此，用式(6.1 )修正的自相关系数称为一次自相关系数。 9、3、自相关的表现形式、自相关的性质可以用自

3、相关系数的符号判断的是负相关，是正相关。 接近1表示相关程度高。 自相关是序列本身的相关，根据随机误差项的相关形式而具有不同的自相关形式。 自相关多出现在时间序列数据中。 10、针对样本观测期间为的时间序列数据，得到整体回归模型(PRF )的随机项，如果自相关形式是其中的自相关系数，是古典误差项，则该式被记作一次自回归模式。 因为在模型中是延迟了1期的值，所以称为1次。 该式中也称为一次自相关系数。若自相关的形式、11、式中的随机误差项不是古典误差项，则其中包含的成分，若包含则包含在回归模型中。 其中有一次自相关系数、二次自相关系数、古典误差项。 该式称为二次自回归模式。 12、一般来说，如果

4、之间的关系在其中，则是古典误差项。 该式称为阶跃自回归模式。 在经济修正量分析中，通常假定1次自回归形式，即自回归形式为1次自回归。13、2、自相关的发生原因、14、很多经济时间数据有明显的特征：惯性，表现在时间序列不同时间的上下文中。 由于消费习惯的影响包含在随机误差项中，因此可能出现系列相关性(通常为正相关性)。 例如，绝对收入假设下居民的总消费函数模型： CT=01 ytt=1，2，n，1，经济系统惯性，15，经济循环惯性，例如GDP、价格、就业等经济指标随着经济系统的周期而变动。 例如，高经济增长率，经济高时期持续一段时间，经济后退时期高失业率也持续一段时间，这种现象表现为经济指标的自

5、相关现象。16、滞后效应是指一个指标对另一个指标的影响不仅持续本期，还持续几个期间。 由此带来变量的自相关。 例如，居民当期可支配收入的增加不是在居民消费水平达到本期应该达到的水平，而是经过几期才能达到。 人的消费观念的变化是因为客观上有适应期。 原因2经济活动的滞后效应，17，例如，季度的数据来自于每月数据的简单平均，这种平均的订正将减弱每月数据的波动性，使随机干扰项出现序列相关。 两个时间点之间的插值技术通常导致随机项目的序列依赖性。 在实际经济问题上，一些数据来自已知数据。 因此，新生成的数据与原始数据之间存在内在联系，显示出系列的相关性。 原因3数据处理的相关性、18、原因4蜘蛛网现象

6、、19、模型设定偏差(Specification error )意味着设定的模型“不正确”。 主要表现抛弃了模型中重要的解释变量和模型函数的形式上的偏颇。 例如，尽管本来要估计的模型是Yt=0 1X1t 2X2t 3X3t t，但是在模型设置中，由于Yt=0 1X1t 1X2t vt，因此vt=3X3t t，当X3确实影响y时，出现系列相关性。 原因5模型设定偏置，20，但在建模时，因为Yt=0 1Xt vt，vt=2Xt2 t，所以包含产出的平方对随机项的系统的影响，随机项也设置了表示系统的相关的模型。 另外，真正的边际成本回归模型： Yt=0 1Xt 2Xt2 t，Y=边际成本，X=产出，

7、21，自相关关系应当主要存在于时序数据中，但是在横截面数据中，自相关也可能出现，通常被称为空间自相关(sppa )的补充说明，以及一个家庭，一个地区的消费行为可能影响其他家庭和其他地区，也就是说不同观测点的随机误差项可能有关联。 由于很多经济时间序列长时间呈现上升或下降的超潜力，所以多呈现正自相关。 但是，关于自相关本身可以是正相关也可以是负相关。 23、修正量经济学模型一旦出现序列相关性，就用OLS法推定模型残奥仪；二、序列相关性的结果，一、残奥仪推定量无效。 因为在有效性证明中利用了E(NN)=2I即同方性和相互独立性条件。 对于大样本，残奥仪表估计匹配，但没有渐近有效性。24、2、变量的

8、显性检验失去意义，在变量的显性检验中，统一修正量基于残奥仪表方差的正确估计，这只有在随机误差项具有同方差性和相互独立性时才成立。 其他检查也是一样。25、3、模型的预测失效，区间预测与残奥仪表估计量的方差相关，当方差有偏差时，预测估计变得不正确，预测精度降低。 因此，当模型中出现系列相关时，其预测功能被禁用。26、3、序列相关性的检验、27，然后通过分析这些“近似估计量”之间的相关性，判断随机误差项中是否存在序列相关性。 回归检验法的优点如下： (1)回归检验法，其中，存在多种数组相关检验方法，但基本构想相同：基本构想：3，数组相关的检验，28，1，图表法，29，2，回归检验法，如果存在某种函

9、数形式，方程式成立，则说明原模型具有数组相关性30、3、杜宾沃森检验法、D-W检验为杜宾(J.Durbin )和沃森(G.S. Watson )，1951年(2)随机误差项I为一次自回归形式： i=i-1 i (3) 即Yi=0 1X1i kXki Yi-1 i (4)回归中不应该包含截距项(5)的D.W. 0完全是一次负相关，即=-1，D.W. 4不完全相关，即=0，即D.W.2，i=i-1 i， 36、DW检验决定规则、37、DW检验规则：38、39、4、拉格朗日乘数检验、拉格朗日乘数检验克服了DW检验的缺陷，适用于高阶序列的布朗(Breusch ) 中的组合图层性质变更选项。 对于模型，

10、如果怀疑随机扰动项存在p阶序列相关：40，GB检验在约束条件为H0: 1=2=p=0，约束条件为H0为真时，在大样本下，其中n为样本容量，41，第四节自相关校正，本节的基本内容为： 由于无法观测随机误差项，所以通常假定为1次自回归形式，即(6.25 )中的古典误差项。 如果自相关系数已知，则可以使用广义的差分法来彻底解决自相关问题。 我们以线性回归模型为例说明广义差分法的应用。 使用对模型(6.30 )的常用最小二乘估计，获得残奥仪表估计的最佳线性非估计量。 这被称为广义的差分方程式，被解释变量和解释变量都是从现期值减去前期值的一部分而得名。46、47、二、Cochrane Orcutt迭代法

11、在实际应用中自相关系数多为未知，必须以一定的方法进行估计。 最简单的方法是根据DW统一修订量进行估算。 从与DW的关系可知：式(6.31 )得到了大致的结果，估计精度不高。 其根本原因是对自相关的回归模型使用了通常的最小二乘法。 为了得到正确的估计，人们通常采用柯克兰-奥克托迭代法。 48、该方法利用残差推断未知。 1 .使用普遍最小二乘法来估计模型，获得残差2 .使用残差进行下一次回归50，3 .利用该方法对模型进行下一次回归，假设一次线性回归模型为3360，49 5 .利用残差进行如下回归得到的是，第二次估计，53，54，(二)戴文二阶段法在自相关系数未知时，也可以使用戴文提出的二阶段法消

12、除自相关。 广义差分方程表示为，55，56，57，表6.3 1985-2003年农村居民人均收入和消费单位：元，58，续表，59，根据表6.3的数据用普通最小二乘法估计消费模型，该回归方程表可决定系数高样本量为19，一个解释变量的模型，对5%的显着水平，研究DW统一修订表，模型显然与消费模型自相关。 如从残差图可以看出的那样，如图6.6所示，点击EViews方程式输出窗口的按钮Resids就可以得到残差图。模型的创建、估计和验证、60、图6.6残差图、61、自相关问题的处理、自相关问题：通过克莱克托的两阶段方法解决并从模型获得的残差序列，在EViews中，将每个回归的残差存储在resid序列中

13、，并对残差进行回归分析从需要生成名称的主菜单中选择“Quick/Generate Series”，或单击工作文件窗口工具栏中的“Procs/Generate Series”，填充显示的对话框，然后单击“OK”确定残差序列使用进行一期延迟的自回归，如果在EViews命令本栏中输入ls e e(-1 )，则得到回归式：62、63、64，从表6.4得到的回归式由于使用广义的差分数据，因此样本容量减少1个，为18个。 研究5%的显着水平的DW统订表，可知模型与广义的差分模型没有自相关。 同时，可决定系数的统一修正量都达到理想水平。 65、66，两者的残奥仪表推定值和各检验统一量的差很小，在本例中可知，

14、使用普赖斯-斯汀变换和直接使用柯克氏素变换的2个阶段的推定结果没有显着差异。 这是因为在本例中样本太小。 在实际应用中样本越小，两者之间的差别就越大。 通常，对于小样本，应该使用价格-温度变换来补偿初始观测值。 67、从差分方程式可以看出，我们得到了最终的中国农村居民消费模型：模型(6.49 )中国农村居民消费模型可以看出，中国农村居民的边际消费倾向是0.5833，即中国农民每增加一元收入，平均消费支出就增加0.5833元。 最终模型结果68，5，案例：中国商品进口模型，根据经济理论，商品进口主要取决于进口国的经济发展水平，以及商品进口价格指数与国内价格指数的对比因素。 由于无法取得中国商品进口价格指数，我们主要研究中国商品进口与国内生产总值的关系。 (下表)。 根据6