07-第七章 序列相关性(1)
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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
1．参数估计量非有效
根据OLS估计中关于参数估计量的无偏性和有效性的证明过程 可以看出，当计量经济学模型出现序列相关性时，其OLS参数估计 量仍然具有线性无偏性，但不具有有效性。因为在有效性证明中我 们利用了
E() 2 I
式中Var
(
ˆ1
)
为一阶序列相关时
注意：
由于心理上、技术上以及制度上的原因，消费者不会轻易改变其消费 习惯，如果我们忽视（7-9）式中的滞后消费对当前消费的影响，那所带来 的误差项就会体现出一种系统性的模式。
4．蛛网现象
例如：
假定某农产品的供给模型为：
St 0 1Pt-1 t
(7-10)
假设t时期的价格Pt低于t-1时期的价格Pt-1，农民就很可能决定在时 期t+1生产比t时期更少的东西。显然在这种情形中，农民由于在年 度t的过量生产很可能在年度t+1消减他们的产量。诸如此类的现象， 就不能期望干扰μt是随机，从而出现蛛网式的序列相关。
（7-4）
i是满足以下标准OLS假定的随机干扰项： E(i ) 0, Var(i ) 2 , Cov(i ,is ) 0(s 0)
由于序列相关性经常出现在以时间序列数据为样本的模型中，因此， 本节下面将代表不同样本点的下表I 用t 表示。
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 3．滞后效应 4．蛛网现象 5．数据的编造
2．模型设定的偏误
定义：
指所设定的模型“不正确”，主要表现在模型中丢掉了重要的解释
变量或模型函数形式有偏误。
例1：（丢掉了重要的解释变量）
本来应该估计的模型为
Yt 0 1X1t 1X 2t 3 X3t t
但在进行回归时，却把模型设定为如下形式：
（7-5）
Yt = β0 + β1 X1t + β2 X 2t + νt
5．数据的编造 新生成的数据与原数据间就有了内在的联系，表现出序列相关性。
例如：
季度数据来自月度数据的简单平均，这种平均的计算减 弱了每月数据的波动而引进了数据中的匀滑性，这种匀滑性 本身就能使随机干扰项中出现系统性的因素，从而出现序列 相关性。
利用数据的内插或外推技术构造的数据也会呈现某种系统性的模式。 一般经验表明，对于采用时间序列数据做样本的计量经济学模型， 由于在不同样本点上解释变量意外的其他因素在时间上的连续性， 带来了他们对被解释变量的影响的连续性，所以往往存在序列相关性。
（7-11）
即同方差和相互独立性条件。而且在大样本情况下，参数估计量虽然 具有一致性，但仍然不具有渐近有效性。
为了具体说明这一点，我们回到简单的一元回归模型
Yi 0 1X i i
（7-12）
为方便我们不妨假定干扰项为(7-4)所示的一阶序列相关：
t t1 t
(7-13)
对于干扰项为一阶序列相关的一元回归模型采用OLS估计，如以前
计量经济学
—理论·方法·EViews应用
山东工商学院统计学院 袁靖 博士 2011.08.10
第七章 序列相关性
◆ 学习目的
通过本章的学习，你可以知道什么是序列相关性，序列 相关性产生的原因是什么，序列相关性导致什么样的后果， 怎样检验和处理具有序列相关性的模型。
◆ 基本要求
1）掌握序列相关性的概念、序列相关性的后果和检验方法； 2）了解广义最小二乘法和广义差分法原理； 3）能运用广义差分法和广义最小二乘法估计线性回归模型。
如果仅存在
Cov( i, j) E( i j) 0
E(ii1) 0, i 1, 2,..., n
（7-2） （7-3）
则称为一阶序列相关或自相关（简写为AR(1))，这是常见的一种序列相关问题。
自相关往往可以写成如下形式：
i i1 i , 1 1
其中 称为自协方差系数或一阶自回归系数，
第七章 序列相关性
◆序列相关性及其产生原因 ◆ 序列相关性的影响 ◆序列相关性的检验 ◆序列相关的补救
第一节 序列相关性及其产生原因
—、序列相关性的含义
对于多元线性回归模型
Yi 0 1X1i 2 X 2i k X ki i i 1, 2, , n
(7-1)
在其他假设仍然成立的条件下，随机干扰项序列相关意味着
第二节 序列相关性的影响
如果我们在干扰中通过假定Cov(t , t j ) E(t t j ) 0
引进自相关，但保留经典模型的全部其他假定，对OLS 估计量及其方差来说会出现什么情况呢？
1．参数估计量非有效 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
一样，β1的OLS估计量为：
ˆ1
xt yt xt2
(7-14)
但给定干扰项为一阶序列相关时，1 的方差估计量现在为：
Var(ˆ1)AR1
2
xt2
2 2
xt2
n1
xt xt1
t 1
n
xt2
2
t 1
n2
xt xt2
t 1 n
… n1
xt2
t 1
n1
xt
xn
t 1
n
xt2
t 1
7-6）
2．模型设定的偏误
定义：
指所设定的模型“不正确”，主要表现在模型中丢掉了重要的解释
变量或模型函数形式有偏误。
例2：（模型函数形式有偏误）
在成本—产出研究中，如果真实的边际成本的模型为：
Yt
=
β0
+
β1 X t
+
β2
X
2 t
+
Hale Waihona Puke Baiduμt
（7-7）
其中Y代表边际成本，X代表产出。
但是如果建模时设立了如下回归模型：
Yt 0 1X t vt
（7-8）
3．滞后效应
考虑一个消费支出对收入进行回归的时间序列模型，人们常常发 现当期的消费支出除了依赖其他当期收入外，还依赖前期的消费支出， 即回归模型为：
Ct 0 1Yt 3Ct1 t
（7-9）
其中，C是消费，Y是收入。
类似（7-9）式的回归模型被称为自回归模型
1．经济数据序列惯性
比如：
GDP、价格指数、消费等时间序列数据通常表现为周期循环。当经 济衰退的谷底开始复苏时，大多数经济序列开始上升，在上升期间，序 列在每一时刻的值都高于前一时刻的值。看来有一种内在的动力驱使这 一势头继续下去，直至某些情况出现（如利率或税收提高）才把它拖慢 下来。 因此，在涉及时间序列的回归中，相继的观测值很可能是相互依赖的。
5．模型的预测失效
1．参数估计量非有效
根据OLS估计中关于参数估计量的无偏性和有效性的证明过程 可以看出，当计量经济学模型出现序列相关性时，其OLS参数估计 量仍然具有线性无偏性，但不具有有效性。因为在有效性证明中我 们利用了
E() 2 I
式中Var
(
ˆ1
)
为一阶序列相关时
注意：
由于心理上、技术上以及制度上的原因，消费者不会轻易改变其消费 习惯，如果我们忽视（7-9）式中的滞后消费对当前消费的影响，那所带来 的误差项就会体现出一种系统性的模式。
4．蛛网现象
例如：
假定某农产品的供给模型为：
St 0 1Pt-1 t
(7-10)
假设t时期的价格Pt低于t-1时期的价格Pt-1，农民就很可能决定在时 期t+1生产比t时期更少的东西。显然在这种情形中，农民由于在年 度t的过量生产很可能在年度t+1消减他们的产量。诸如此类的现象， 就不能期望干扰μt是随机，从而出现蛛网式的序列相关。
（7-4）
i是满足以下标准OLS假定的随机干扰项： E(i ) 0, Var(i ) 2 , Cov(i ,is ) 0(s 0)
由于序列相关性经常出现在以时间序列数据为样本的模型中，因此， 本节下面将代表不同样本点的下表I 用t 表示。
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 3．滞后效应 4．蛛网现象 5．数据的编造
2．模型设定的偏误
定义：
指所设定的模型“不正确”，主要表现在模型中丢掉了重要的解释
变量或模型函数形式有偏误。
例1：（丢掉了重要的解释变量）
本来应该估计的模型为
Yt 0 1X1t 1X 2t 3 X3t t
但在进行回归时，却把模型设定为如下形式：
（7-5）
Yt = β0 + β1 X1t + β2 X 2t + νt
5．数据的编造 新生成的数据与原数据间就有了内在的联系，表现出序列相关性。
例如：
季度数据来自月度数据的简单平均，这种平均的计算减 弱了每月数据的波动而引进了数据中的匀滑性，这种匀滑性 本身就能使随机干扰项中出现系统性的因素，从而出现序列 相关性。
利用数据的内插或外推技术构造的数据也会呈现某种系统性的模式。 一般经验表明，对于采用时间序列数据做样本的计量经济学模型， 由于在不同样本点上解释变量意外的其他因素在时间上的连续性， 带来了他们对被解释变量的影响的连续性，所以往往存在序列相关性。
（7-11）
即同方差和相互独立性条件。而且在大样本情况下，参数估计量虽然 具有一致性，但仍然不具有渐近有效性。
为了具体说明这一点，我们回到简单的一元回归模型
Yi 0 1X i i
（7-12）
为方便我们不妨假定干扰项为(7-4)所示的一阶序列相关：
t t1 t
(7-13)
对于干扰项为一阶序列相关的一元回归模型采用OLS估计，如以前
计量经济学
—理论·方法·EViews应用
山东工商学院统计学院 袁靖 博士 2011.08.10
第七章 序列相关性
◆ 学习目的
通过本章的学习，你可以知道什么是序列相关性，序列 相关性产生的原因是什么，序列相关性导致什么样的后果， 怎样检验和处理具有序列相关性的模型。
◆ 基本要求
1）掌握序列相关性的概念、序列相关性的后果和检验方法； 2）了解广义最小二乘法和广义差分法原理； 3）能运用广义差分法和广义最小二乘法估计线性回归模型。
如果仅存在
Cov( i, j) E( i j) 0
E(ii1) 0, i 1, 2,..., n
（7-2） （7-3）
则称为一阶序列相关或自相关（简写为AR(1))，这是常见的一种序列相关问题。
自相关往往可以写成如下形式：
i i1 i , 1 1
其中 称为自协方差系数或一阶自回归系数，
第七章 序列相关性
◆序列相关性及其产生原因 ◆ 序列相关性的影响 ◆序列相关性的检验 ◆序列相关的补救
第一节 序列相关性及其产生原因
—、序列相关性的含义
对于多元线性回归模型
Yi 0 1X1i 2 X 2i k X ki i i 1, 2, , n
(7-1)
在其他假设仍然成立的条件下，随机干扰项序列相关意味着
第二节 序列相关性的影响
如果我们在干扰中通过假定Cov(t , t j ) E(t t j ) 0
引进自相关，但保留经典模型的全部其他假定，对OLS 估计量及其方差来说会出现什么情况呢？
1．参数估计量非有效 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
一样，β1的OLS估计量为：
ˆ1
xt yt xt2
(7-14)
但给定干扰项为一阶序列相关时，1 的方差估计量现在为：
Var(ˆ1)AR1
2
xt2
2 2
xt2
n1
xt xt1
t 1
n
xt2
2
t 1
n2
xt xt2
t 1 n
… n1
xt2
t 1
n1
xt
xn
t 1
n
xt2
t 1
7-6）
2．模型设定的偏误
定义：
指所设定的模型“不正确”，主要表现在模型中丢掉了重要的解释
变量或模型函数形式有偏误。
例2：（模型函数形式有偏误）
在成本—产出研究中，如果真实的边际成本的模型为：
Yt
=
β0
+
β1 X t
+
β2
X
2 t
+
Hale Waihona Puke Baiduμt
（7-7）
其中Y代表边际成本，X代表产出。
但是如果建模时设立了如下回归模型：
Yt 0 1X t vt
（7-8）
3．滞后效应
考虑一个消费支出对收入进行回归的时间序列模型，人们常常发 现当期的消费支出除了依赖其他当期收入外，还依赖前期的消费支出， 即回归模型为：
Ct 0 1Yt 3Ct1 t
（7-9）
其中，C是消费，Y是收入。
类似（7-9）式的回归模型被称为自回归模型
1．经济数据序列惯性
比如：
GDP、价格指数、消费等时间序列数据通常表现为周期循环。当经 济衰退的谷底开始复苏时，大多数经济序列开始上升，在上升期间，序 列在每一时刻的值都高于前一时刻的值。看来有一种内在的动力驱使这 一势头继续下去，直至某些情况出现（如利率或税收提高）才把它拖慢 下来。 因此，在涉及时间序列的回归中，相继的观测值很可能是相互依赖的。