序列相关的检验和修正
序列相关性
5.滞后效应 在经济中，因变量受到自身或另一解释变量的前几期值影响的现象称为 滞后效应。在一个消费支出对收入的时间序列回归中，人们常常发现当前时 期的消费支出除了依赖于其他变量外，还依赖于前期的消有效 因为，在有效性证明中利用了 E(NN’)=2I 即同方差性和互相独立性条件。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。 2、变量的显著性检验失去意义 在变量的显著性检验中，统计量是建立在参数方差正确估计基础之 上的，这只有当随机误差项具有同方差性和互相独立性时才能成立。如果存 在序列相关，估计的参数方差 S ˆ ，出现偏误（偏大或偏小） ，t 检验就失去
~ e ~ e t t 1 t
，
~ e ~ ~ e t 1 t 1 2 et 2 t
3
， 。 。 。
醉客天涯之计量经济学
如果存在某一种函数形式，使得方程显著成立，则说明原模型存在序列相关性。 回归检验法的优点是： （1）能够确定序列相关的形式 （2）适用于任何类型序列相关性问题的检验。 3、杜宾-瓦森（Durbin-Watson）检验法（最常用） （1）方法使用条件： ①解释变量 X 非随机； ②随机误差项 i 为一阶自回归形式： i=i-1+i ③回归模型中不应含有滞后应变量作为解释变量，即不应出现下列形式： Yi=0+1X1i+kXki+Yi-1+i ④回归含有截距项 ⑤误差项被假定为正态分布 （2）D.W.统计量： 杜宾和瓦森针对原假设：H0: =0， 即不存在一阶自回归，构如下造统计量：
D.W .
~ (e
t 2
n
t
~ )2 e t 1
2 t
序列相关
§4.2 序列相关
违反五项基本假 定第三点，即违反 了随机扰动项之间 相互独立的假定， 称为序列相关。
王昭制作
●学习内容：
• • • • • 一、序列相关定义及其类型 二、实际经济问题中的序列相关性 三、序列相关性的后果 四、序列相关性的检验 五、序列相关性的修正
王中昭制作
一、序列相关定义及其类型
● 5、由随机扰动项本身特性所决定
• 在许多情况下，真实的随机扰动项的各 项值是相关的，例如：旱涝、地震、战争、 罢工等纯随机因素所产生的影响将会延续 一段时期，从而导致随机扰动项序列相关。 • 因为被解释变量与随机误差项具有相同 的分布（只有数学期望不同而已）。 • 可以证明：如果因变量观测值之间如果 存在相关性，则随机扰动项之间也就存在 相关性。
王中昭制作
2、回归检验法
ˆt 为被解释变量，以各种可能的相 • 以e 2 ˆt 1, e ˆt 2 , e ˆt 1 等作为解释变量 关量，如 e 建立各种方程：
ˆt e ˆt 1 t , e t 2,3,...,n ˆt 1e ˆt 1 2e ˆt 2 t , e t 3,4,...... ,n
资料来源： 《中国统计年鉴》 （1995、2000、2002） 。
• 最好是把M和GDP化为同货币单。首先作散点图。
王中昭制作
M与GDP的散点图，从图中可知道，两 者近似直线关系。
王中昭制作
估计结果如下：
• 下面进行序列相关性检验
王中昭制作
法一：图解法，在求出模型后，再输入时间变量t, t=1,2,3,……24。 再作et与et-1的散点图或et与t的散点图。 其中 et= yty^t=resid, 在此题中，et存在正的序列相关。
什么是序列相关性如何进行序列相关性的检验与处理
什么是序列相关性如何进行序列相关性的检验与处理序列相关性是指一系列数据中存在的相关性或依赖关系。
它可以帮助我们了解数据的趋势、周期性以及对未来数据的预测。
在统计学中，序列相关性的检验和处理是非常重要的，可以帮助我们提取有用的信息和建立可靠的模型。
本文将介绍序列相关性的定义、如何进行序列相关性的检验以及处理方法。
一、序列相关性的定义序列相关性是指时间序列数据中的观察值之间的相关性或依赖关系。
当一个时间序列的观察值和它之前或之后的观察值之间存在关联时，就可以说这个时间序列是相关的。
序列相关性表明序列中的数据点之间存在某种模式或趋势，这对于分析和预测时间序列数据具有重要意义。
二、序列相关性的检验为了检验时间序列数据是否存在相关性，我们可以使用常用的统计方法，例如自相关函数（ACF）和偏自相关函数（PACF）。
自相关函数是衡量一个时间序列和其滞后版本之间相关性的统计指标。
它可以帮助我们确定序列中的周期性模式。
在自相关函数图中，横轴表示滞后阶数，纵轴表示相关系数。
如果自相关函数在某个滞后阶数上超过了置信区间，那么可以认为有相关性存在。
偏自相关函数是衡量一个时间序列和其滞后版本之间相关性的统计指标，消除了其他滞后版本的影响。
在偏自相关函数图中，横轴表示滞后阶数，纵轴表示相关系数。
如果偏自相关函数在某个滞后阶数上超过了置信区间，那么可以认为有相关性存在。
另外，我们还可以使用单位根检验（ADF检验）来检验序列是否平稳。
平稳序列的相关性更容易进行建模和预测。
如果序列通过了单位根检验，那么就可以认为序列是平稳的。
三、序列相关性的处理如果时间序列数据存在相关性，那么我们可以采取一些方法进行处理，以消除或减小相关性的影响。
首先，可以进行差分操作。
差分是指将时间序列的每个观察值与其滞后版本之间的差异进行计算。
差分后的序列通常更容易建模，因为它们消除了相关性。
如果还存在差分后的序列中的相关性，可以继续进行更高阶的差分操作。
修正序列相关的方法
修正序列相关的方法
修正序列相关问题的方法有多种，以下是一些常用的方法：
1. 广义最小二乘法：该方法通过对原模型加权，使之变成一个新的不存在异方差性的模型，然后采用普通最小二乘法估计其参数。
2. 广义差分法：通过广义差分变换消除序列相关问题，然后再进行回归分析。
3. 序列相关稳健估计法：该方法利用计算机运算速度快、适合做重复性操作的特点，让计算机对一组指令进行重复执行，在每次执行这组指令时，都从变量的原值推出它的一个新值。
4. 图示法：通过绘制散点图或相关图来直观地展示序列相关性，从而发现问题并进行修正。
5. 回归检验法：通过回归方程的残差进行序列相关性检验，如果存在序列相关性，则需要进行修正。
6. 杜宾-瓦特森检验法：该方法用于检验模型是否存在序列相关性，如果存在，则需要采取相应的修正措施。
7. 拉格朗日乘数检验法：通过检验模型的残差是否存在序列相关性来确定是否存在误设定的时间序列模型。
以上方法仅供参考，具体使用哪种方法需要结合数据和模型的特点进行选择。
6.2 序列相关性的后果和检验
d
et
t 1 n t 2 n t 1 2 et et 1 t 2 t 2 t 2 2 e t t 1 n n
2
2 et 2 2 et et 1
t 2 2 e t t 1
n
2(1
e e
t 2 n t 1
t t 1
2 e t
ˆ) ) 2(1
© 电子科大经管学院
8
第六讲 序列相关性
序列相关的检验
d 统计量的检验
由于 d 统计量依赖于残差，而残差又依赖于X，故无法 推导出d 统计量的准确分布 Durbin-Watson根据样本容量n和待估参数个数k，在给 定的显著性水平下，给出了 d 统计量的上、下两个临界 值dU和dL
序列相关的检验
布劳殊－戈弗雷(BG)检验
又称为LM检验，克服了DW检验的缺陷，适合于高阶 序列相关以及模型中存在滞后因变量的情形，更具有 一般性 基本思想： 针对回归模型 Yt 0 1 X1t ... k X kt t
假设干扰项存在p 阶序列相关 检验原假设
第六讲序列相关性德宾沃森durbinwatson检验利用方程的残差构成统计量推断误差项是否存在一阶序列相关基本假定回归模型包含截距项序列相关是一阶序列相关回归模型不能把滞后被解释变量作为解释变量第六讲序列相关性检验统计量称为d统计量该统计量仅依赖于残差一般回归软件都会报告该统计量无论是横截面数据还是时间序列数据统计量的检验由于d统计量依赖于残差而残差又依赖于x故无法推导出d统计量的准确分布durbinwatson根据样本容量n和待估参数个数k在给定的显著性水平下给出了d统计量的上下两个临界值du和dl第六讲序列相关性电子科大经管学院10统计量的检验序列相关的判别规则不能拒绝电子科大经管学院11检验序列正相关拒绝原假设不能拒绝原假设电子科大经管学院12检验序列相关拒绝原假设不能拒绝原假设拒绝原假设电子科大经管学院13dw检验的缺陷统计量落在两个不确定区域时无法判断是否存在序列相关当滞后因变量作为解释变量时检验无效只能检验一阶序列相关不适用于高阶序列相关若误差项不是iid正态分布d检验也不可靠第六讲序列相关性电子科大经管学院14布劳殊戈弗雷bg检验又称为lm检验克服了dw检验的缺陷适合于高阶序列相关以及模型中存在滞后因变量的情形更具有一般性基本思想
计量经济学序列相关性实验分析
重庆科技学院学生实验报告一，实验目的和要求熟练掌握序列相关行的含义，原因，后果，检验方法，修正方法。
二、实验内容和原理内容：自相关性检验原理：首先采用普通最小二乘法估计模型，以求得随机干扰项的“近似估计量”，然后通过分析这些“近似估计量”之间的相关性以达到判断随机干扰项是否具有序列相关性的目的。
三、主要仪器设备电脑一台；EVIEW50 软件一套；MATHTYFPE8 软件一套；MICROSOFXCE12007 软件一套；四、实验操作方法和步骤一、估计回归方程二、进行序列相关性检验三、序列相关的补救五、实验记录与处理（数据、图表、计算等）（具体过程见下页）六、实验结果及分析（具体分析见下页）说明：此部分的内容和格式各学院可根据实验课程和实验项目的具体需要，自行设计和确定相关内容和栏目，但表头格式应统一；对于设计性实验则只要求说明实验的目的要求、提出可供实验的基本条件和注意事项，实验方案和步骤的设置、仪器的安排等可由学生自己设计。
五、实验记录与处理（数据、图表、计算等）一、估计回归方程工业增加值主要由全社会固定资产投资决定。
为了考察全社会固定资产投资对工业增加值的影响，可使用如下模型：丫二0 i Xi ;其中，X表示全社会固定资产投资，丫表示工业增加值。
下表列出了中国1998-2000的全社会固定资产投资X与工业增加值丫的统计数据。
Dependent Variable: Y Method: Least Squares Date： 12/22/09 Time; 08:53Sample: 1SS0 2CU0Included observatiors: 21Variable Coefficient Std. Error t-Statistic Prob.C6E3.0114298 1673 2240392 □ .0372X 1.101861 0 CI1S344 .0SS3O 0 oooc R-squared 0.994936 Mean dependent var 13744 09Adjusted R-squared 0.394669 S D. dependenl var 13029.80S.E. of regression 951.33S8 Akaike info criterion 16.64401Sum squared resid 17195864Schwarz criterion 1674343Lug likelihood -172.7621F-statistic3732.750Durbin-Watson slat 1.282353 FrcbfF-statistic)0 000000由此实验结果可知模型估计结果为：Y=668.0114+1.181861X(2.24039)(61.0963)R2 =0.994936，R 2 =0.994669，SE=951.3388, D.W.=1.282353。
序列相关性
2
4-dU
4-dL
# D.W.检验统计量的说明
DW检验表明：当D.W.值在2左右时，模型不存在一阶自相关
证明：展开D.W.统计量：
D.W .
~ e
t 2
n
2
t
~ e
t 2 n
n
2 t 1
~~ 2 et et 1
t 2
n
(*)
~ et 2
t 1
D.W . 2(1
（三）杜宾-瓦森检验法（DW检验）
D-W检验是杜宾（J.Durbin）和瓦森(G.S. Watson)于 1951年提出的一种检验序列自相关的方法
该方法只适用于检验一阶自相关
（1）解释变量X非随机；
假 定 条 件
（2）随机误差项t为一阶自回归形式： t = t-1 + t
（3）回归模型中不应含有滞后因变量作为解释变量，即不应
因此：vt=3X3t + t，
如果X3确实影响Y，则出现序列相关。
这是横截面数据也可能存在序列相关性的重要原因
4、数据的处理
在实际经济问题中，有些数据是通过已知数据生成的。因 此，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
检验时需要事先确定准备检验的阶数P,实际检验中，可从1阶、2
阶、…逐次向更高阶检验。
检验结果显著时，可以说明存在序列相关，但是并不一定代表序列 相关的阶数一定能够达到所检验的阶数。
◦ 低阶序列相关的存在往往会导致高阶序列相关检验的显著性 ◦ 具体阶数的判断，需要结合辅助回归中自相关系数的显著性
计量经济学试题计量经济学中的序列相关性与解决方法
计量经济学试题计量经济学中的序列相关性与解决方法计量经济学试题: 计量经济学中的序列相关性与解决方法序列相关性是计量经济学中重要的概念之一，它描述了时间序列数据之间的相关程度。
在许多经济学研究中，序列相关性可能会导致问题，如伪回归和自相关误差。
为了解决这些问题，研究人员采用了一些方法来处理序列相关性。
本文将介绍序列相关性的定义、影响和解决方法。
一、序列相关性的定义序列相关性是指一组时间序列数据之间存在的相关关系。
它反映了一个变量的当前值与过去值的相关程度。
序列相关性可以判断变量之间是否存在依赖关系，以及时间趋势的演变和预测。
在计量经济学中，序列相关性通常使用自相关函数(acf)和偏自相关函数(pacf)来度量。
自相关函数衡量了序列与其自身在不同滞后期的相关性，而偏自相关函数则控制了其他滞后期的效应。
二、序列相关性的影响序列相关性对计量经济分析的结果具有重要影响。
当存在序列相关性时，经济学模型的估计结果可能会产生偏误。
这是因为序列相关性违反了线性回归模型的基本假设，导致参数估计失真。
此外，当序列相关性存在时，标准误差和t统计量的计算也会出现问题。
标准误差的计算通常基于误差项的无关性假设，而序列相关性违反了这一假设，导致标准误差被低估。
因此，对参数的显著性检验将失去准确性。
三、解决序列相关性的方法为了解决序列相关性的问题，计量经济学提出了许多方法和技术。
下面介绍几种常用的解决方法。
1. 差分法(Differencing Method)差分法是通过对时间序列数据进行差分，消除序列相关性的方法。
差分法可以消除序列的线性趋势，使数据变得稳定。
这种方法利用变量的差分来消除序列的相关性，使得模型的估计结果更可靠。
2. 自相关修正法(Autoregressive Model)自相关修正法是通过引入滞后变量来建模序列相关性。
自相关修正模型考虑变量的滞后值与当前值之间的关系，以控制序列相关性的影响。
常见的自相关修正模型包括自回归移动平均模型(ARMA)和自回归条件异方差模型(ARCH)。
列举序列相关性的检验方法
列举序列相关性的检验方法序列相关性是指一个序列中两个以上元素的关联性。
序列相关性的检验方法主要有独立性检验、协方差分析、操作码分析、最大似然推定、极大似然推定、回归分析、相关系数等。
独立性检验是在分类数据中检验定性变量两两之间是否独立的一种方法，它实质上是针对每对类别进行比较，以确定它们相关性的概率，从而来看传统的概率论和统计学的独立性是否满足的。
例如，在一个试验中，如果测试变量x和y是独立的，则将按照此原则检查服从正态分布的观测值的概率分布，以检验观测的频率是否与理论值一致。
协方差分析是一种利用协方差检验解释变量之间的相关性的方法。
协方差分析过程中，可以推断一个变量是否受另一个变量影响，从而把变量之间的相关性准确衡量出来。
可以采用多个统计指标，如处理值协方差、数组协方差和管理技术方差等。
操作码分析是一种操作码技术，主要用于分析序列在紧密连接的散列表中的结构特征，以寻求解决数据集中的相关问题的有效方法。
操作码分析的主要思想是将散列表中的每一个数据项当成一个操作码，根据数据项间的排列情况分析有关表示的问题。
最大似然估计是一种根据观测数据和一定的概率分布模型确定参数值的统计技术。
这种技术主要是通过极大似然估计法对参数进行估计，从而得到最佳参数和其他统计量。
序列相关性检验中也可以采用最大似然估计来检验序列中不同字段之间是否存在联系。
极大似然推定也是一种基于极大似然值的技术，它的思想是找出一个最适合的（概率模型）参数向量，使其能够最大程度地拟合观测数据。
极大似然推定方法在序列相关性检验中也有着广泛的应用，是检验序列元素间相关性的有力工具。
回归分析方法是根据一组观测值，确定其两个变量之间存在相关性的技术。
回归分析也被广泛用于序列相关性检验。
异方差性和序列相关性对OLS估计结果有什么影响如何进行修正
异方差性和序列相关性对OLS估计结果有什么影响如何进行修正在经济学和统计学中，最小二乘法（OLS）是一种常用的回归分析方法。
然而，OLS方法在某些情况下可能会受到异方差性和序列相关性的影响，从而导致估计结果的偏差和无效性。
本文将讨论异方差性和序列相关性对OLS估计结果的影响，并介绍修正方法。
一、异方差性对OLS估计结果的影响异方差性指的是误差项方差在自变量的不同取值下存在差异。
当存在异方差性时，OLS估计量的标准误会被低估或高估，导致假设检验的结果出现错误。
具体影响主要包括：1. 系数估计的无偏性：异方差性可能导致OLS估计量的偏差，即估计结果的期望值不等于真实参数值。
2. 假设检验的错误：异方差性导致标准误的不准确估计，从而使得假设检验的结果可能出现错误，无法得出正确的统计结论。
3. 置信区间的宽度：异方差性可能使得OLS估计量的置信区间变得更宽，从而降低了估计结果的准确性。
二、序列相关性对OLS估计结果的影响序列相关性指的是误差项间存在相关性，即误差项之间不是独立同分布的。
当存在序列相关性时，OLS估计量的方差会增加，进而导致估计结果的显著性和效率下降。
具体影响主要包括：1. 系数估计的无效性：序列相关性可能导致OLS估计量的无效性，即估计结果的方差很大，不稳定，使得估计结果失去实际经济意义。
2. 假设检验的错误：序列相关性违背OLS的基本假设，使得OLS估计结果在统计意义上不可靠，从而导致假设检验的结果出现错误。
3. 预测精度的下降：序列相关性可能使得OLS估计结果在未来值的预测上失去准确性，对未来的经济决策产生不良影响。
三、修正方法针对异方差性和序列相关性对OLS估计结果的影响，有多种修正方法可供选择，其中较为常用的方法包括：1. 加权最小二乘法（Weighted Least Squares, WLS）：通过对残差项引入合适的权重来修正异方差性问题，使得OLS估计量更加准确有效。
2. 广义最小二乘法（Generalized Least Squares, GLS）：在存在序列相关性的情况下，通过考虑误差项之间的相关关系，以及对残差项引入权重来进行修正，提高OLS估计结果的有效性和准确性。
回归分析中的序列相关问题处理技巧(八)
回归分析是统计学中常用的一种分析方法，用于研究自变量对因变量的影响程度。
然而，在实际应用中，由于数据的收集和处理方式不同，往往会出现序列相关问题，即数据的时间或空间顺序对分析结果产生影响。
因此，在回归分析中，如何处理序列相关问题成为一个重要的技术问题。
一、序列相关的检验序列相关问题通常是由时间或空间的自相关性引起的。
在进行回归分析之前，首先需要对数据进行序列相关性的检验。
常用的方法包括Durbin-Watson检验、Ljung-Box检验等。
Durbin-Watson检验主要用于检验数据中是否存在一阶自相关性，其统计量的取值范围为0-4。
当统计量接近2时，表明数据不存在一阶自相关。
而Ljung-Box检验则用于检验数据是否存在高阶自相关，通过检验数据的自相关系数是否显著来判断序列相关性的存在。
二、序列相关的处理方法当数据存在序列相关问题时，需要采取相应的处理方法。
常用的方法包括差分法、自回归滞后项法等。
差分法是通过对数据进行一阶或高阶差分，将原始数据转化为平稳序列，从而避免序列相关性对回归分析结果的影响。
自回归滞后项法则是引入自变量的滞后项作为控制变量，通过控制自变量的滞后项来消除序列相关性对回归分析结果的影响。
三、实例分析为了更好地理解序列相关问题的处理技巧，我们以某地区的GDP增长率为例进行实例分析。
假设我们想要研究某地区的GDP增长率与投资水平、人口增长率的关系。
首先，我们需要对数据进行序列相关性检验，通过Durbin-Watson检验和Ljung-Box检验发现数据存在一阶自相关性。
接下来，我们可以采用差分法对数据进行处理，得到平稳序列后再进行回归分析，或者采用自回归滞后项法引入自变量的滞后项进行回归分析。
四、结论回归分析是一种常用的统计分析方法，但在实际应用中往往会面临序列相关性的问题。
对于序列相关问题，我们需要通过序列相关性的检验来判断数据是否存在相关性，然后采取相应的处理方法来消除序列相关性对回归分析结果的影响。
序列相关性检验(上)
1.序列相关性概述或对于模型00(,)()t t s t t s Cov E s μμμμ--=≠≠在其他假设仍成立的条件下，随机误差项序列相关意味着ρ：自协方差系数（Coefficient of Autocovariance ）或一阶自相关系数（First-order Coefficient of Autocorrelation ）若E(μt μt -1)≠0 t =1,2,…,T称为一阶序列相关，或自相关（Autocorrelation ）自相关往往可写成如下形式：μt =ρμt -1+εt -1<ρ<1εt 是满足以下标准的OLS 假定的随机误差项：2000(),(),(,)t t t t s E Var Cov s εεσεε-===≠2.实际经济问题中的序列相关性经济变量固有的惯性大多数经济时间数据都有一个明显的特点:惯性，表现在时间序列不同时间的前后关联上。
模型设定的偏误所谓模型设定偏误（Specification error ）是指所设定的模型“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。
数据的“编造”在实际经济问题中，有些数据是通过已知数据生成的。
因此，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。
+++3.序列相关性的后果参数估计量非有效因为，在有效性证明中利用了即同方差性和互相独立性条件。
而且，在大样本情况下，参数估计量也不具有渐近有效性。
2()μμσ'=E X I +如果出现了序列相关性，估计的出现偏误（偏大或偏小），t 检验失去意义。
ˆβj S 变量的显著性检验中，构造了t 统计量ˆˆ/ββ=jj t S +变量的显著性检验失去意义模型的预测失效区间预测与参数估计量的方差有关，在方差有偏误的情况下，使得预测估计不准确，预测精度降低。
所以，当模型出现序列相关性时，它的预测功能失效。
+3.序列相关性的后果4.序列相关性的检验然后，通过分析这些“近似估计量”之间的相关性，以判断随机误差项是否具有序列相关性。
序列自相关检验及修正
序列自相关检验及修正
三、G-B检验（拉格朗日乘数检验） 点击View\Residual Test\Serial Correlation LM Test，Lag取2，得到（见图三）：
序列自相关检验及修正
含2阶滞后残差项的辅助回归为： et=6.593-0.0003*GDP+1.094*et-1-0.786et-2 （0.231）（-0.504）（6.231）（-3.692） R2=0.6614 LM=22*0.6614=14.55，该值大于显著性水平为 5%，自由度为2的x2分布的临界值x20.05（2） =5.991，由此判断原模型存在2阶序列自相关。
序列自相关检验及修正
序列自相关检验及修正
2阶广义差分的估计结果为： Mt=169.32+0.020GDPt+1.108AR(1)-0.801AR(2) D.W.=1.85>du=1.66,表明经广义差分变换后的 模型已不存在序列相关性。
序列自相关检验及修正
序列自相关检验及修正
序列自相关检验及修正
序列自相关检验及修正
Mnew=86.18+0.02GDPnew (2.76) (16.46) D.W.=1.583 ,在5%的显著性水平下， D.W.>du=1.43,已不存在自相关。
序列自相关检验及修正
2、科克伦-奥科特迭代法 将组m gdp打开，点Proc\Make Equations…在 specification中输入的变量：m gdp ar(1) ar(2) c，点确定得到结果（见图七）
序列自相关检验及修正
Mt=78.09+0.938Mt-1-0.469Mt-2+0.055GDPt0.096GDPt-1+0.054GDPt-2 R2=0.9913 D.W.=2.31
计量经济学之序列相关性
H0 : 1 2 p 0
备择假设H为 1 （ H1：i i 1,2,, p） 中至少有一个不为零 若为真，则LM统计量在大样本下渐进 2 服从自由度为p的 分布：
LM nR ~
2
其中，n， （p）
2
R
2
分别是辅助回归方程（6）的样本容量和可决系 数
e e e e e e e e e e
t t t 1 t 1 t t 1 2 t 2 t 1 2 t
2 t 1
（3）
当n充分大时， et2 et21 有 et et 1 ˆ et2 所以
ˆ ˆ ˆ
(19)
三 自相关系数ρ的估计
广义差分法得以实施的关键是计算出自相关系数ρ的值，因此，必 须采用一些适当的方法对自回归系数ρ进行估计，通常适用的方法主 要有：经验法、利用 D.W.估计、科克伦-奥科特迭代法等。
下面我们着重介绍一下科克伦-奥科特迭代法： 科克伦-奥科特迭代法其实就是进行一系列的迭代，每一次迭代 都能得到比前一次更好的ρ的估计值。为了叙述方便，我们采用一元 回归模型来阐明这种方法， 多元回归模型下的迭代法与一元回归的原 理相同。 假设给定模型 Yt = β0 + β1 X t + μt 其中， μt = ρ1 μt−1 + ρ2 μt−2 + ⋯ + ρp μt−p + εt t=1+p,2+p,…,n (22) (21)
如果含有 k 个解释变量的多元回归模型（2）存在 p 阶序列相关 性，也可作类似变换，变换结果为
∗ Yt∗ = β0 1 − ρ1 − ⋯ − ρp + β1 X1t + β2 X∗ + ⋯ + βk X∗ + εt 2t kt ∗ 其中，Xit = Xit − ρ1 Xi(t−1) − ⋯ − ρp Xi(t−p)(i=1,2,…,p)。
《计量经济学》第三版课后题答案
第一章绪论参考重点：计量经济学的一般建模过程第一章课后题〔1.4.5〕1.什么是计量经济学计量经济学方法与一般经济数学方法有什么区别答：计量经济学是经济学的一个分支学科，是以提醒经济活动中客观存在的数量关系为内容的分支学科，是由经济学、统计学和数学三者结合而成的穿插学科。
计量经济学方法提醒经济活动中各个因素之间的定量关系，用随机性的数学方程加以描述；一般经济数学方法提醒经济活动中各个因素之间的理论关系，用确定性的数学方程加以描述。
4.建设与应用计量经济学模型的主要步骤有哪些答：建设与应用计量经济学模型的主要步骤如下：(1)设定理论模型，包括选择模型所包含的变量，确定变量之间的数学关系和拟定模型中待估参数的数值范围；(2)收集样本数据，要考虑样本数据的完整性、准确性、可比性和—致性；(3)估计模型参数；(4)检验模型，包括经济意义检验、统计检验、计量经济学检验和模型预测检验。
5.模型的检验包括几个方面其具体含义是什么答：模型的检验主要包括：经济意义检验、统计检验、计量经济学检验、模型的预测检验。
在经济意义检验中，需要检验模型是否符合经济意义，检验求得的参数估计值的符号与大小是否与根据人们的经历和经济理论所拟订的期望值相符合；在统计检验中，需要检验模型参数估计值的可靠性，即检验模型的统计学性质；在计量经济学检验中，需要检验模型的计量经济学性质，包括随机扰动项的序列相关检验、异方差性检验、解释变量的多重共线性检验等；模型的预测检验主要检验模型参数估计量的稳定性以及对样本容量变化时的灵敏度，以确定所建设的模型是否可以用于样本观测值以外的范围。
第二章经典单方程计量经济学模型：一元线性回归模型参考重点：1.相关分析与回归分析的概念、联系以及区别2.总体随机项与样本随机项的区别与联系3.为什么需要进展拟合优度检验4．如何缩小置信区间〔P46〕由上式可以看出〔1〕.增大样本容量。
样本容量变大，可使样本参数估计量的标准差减小；同时，在同样置信水平下，n越大，t分布表中的临界值越小。
Eviews上机操作指南
Eviews上机操作指南（I）1.数据准备篇（1）建立工作文件：workfile u 1 33 建立一个截面工作文件，33表示样本容量workfile a 1978 2007 建立一个年度时间序列工作文件，1978、2007分别表示年份的起点和终点（2）导入数据Data y x1 x2 建立数据表格，将excel数据复制到数据表格在使用该命令时一定要注意与excel表中的数据顺序一致，一般情况下第一列为被解释变量，其余各列为若干解释变量2.绘图篇在eviews中一般可以绘制两种类型的图，序列图与散点图（1）序列图：plot y 可以绘制变量y随时间变化的图当然也可以同时绘制多个变量的序列图，例如plot y x1（2）散点图：scat x y表示两个变量之间的关系3．回归篇在eviews中执行回归的命令为ls y c x1 x2Y表示被解释变量，c为常数，x1、x2为解释变量列表，在实际操作时y、x1、x2可以换成你指定的名称。
此外，log(x1)、x1^2、x1*x2分别表示非线性形式的解释变量。
回归后可以使用命令genr e=resid提取回归的残差。
练习：1．多元线性回归模型的参数估计（对应教材P72-P73）（1）建立工作文件导入数据；（2）观察y~x1、y~x2散点图；（3）构造OLS 回归，模型为01122Y X X βββμ=+++；（4）提取残差序列，观察残差的统计特征。
2．双对数模型的参数估计（对应教材P83-P85）（1）建立工作文件，导入数据；（2）分别绘制x 、q 、p0、p1的序列图；（3）绘制log(q)对log(x)的散点图；（4）构造OLS 回归，模型为012031log()log()log()log()Q X P P ββββμ=++++。
3．半对数模型的参数估计（对应教学辅助材料7例子2），根据辅助材料的结果写出相关命令。
log(salary) 模型1模型2模型3log(sales) log(mktval) profmarg ceoten comten 截距 R 2 调整R 2残差平方和4．异方差检验与修正进行异方差检验首先要估计原始回归，然后提取残差。
第三讲、序列相关性的检验
1992
1993 1994
7539
8395 9281
1504.637
1605.813 1644.222
8711.156
10326.95 13760.55
9748.009
13143.88 15471.3
二、序列相关性的检验
• 1、散点图法： • 2、D—W检验法： • 3、B.G检验：
1、散点图法：
• 原理：若数据不存在序列相关性，则et和et-1成随
机关系，两者的差较为适中，此时DW值则会取一个 适中值。而若存在序列相关性的话，则DW的分子会 过大或过小，进而影响DW的值。具体的数学证明见 李子奈书P62。
(e
DW
t2
n
t n
et 1 )
2 t
2
e
t 1
Durbin-Watson检验用于随机误差项之间是否存在一 阶自相关的情况。 DW∈(0，4) DW值在每次的ols估计中都会由EViews系统自动算 出，因此这种方法比较简便易行。
• 第二步、在命令栏键入Scat resid resid(-1) 得到
残差的散点图(见下页图)：
判断标准：
1、若散点在四个 象限呈无规律的散 布状态，则模型不 存在自相关。
2、若散点多散布在一三象限，则模型存在着严重的正自相关。
3、若散点多散布在二四象限，则模型存在着严重的负自相关。
2、D—W检验法：
1、广义最小二乘法：
由于WLS步骤和异方差基本相同，另外经常 出现进行一次或多次广义最小二乘法后， 仍不能良好地消除序列相关性的情况。因 此我们不再讲述WLS的具体操作步骤。
2、差分法
• 原理：采用普通最小二乘法估计原模型，得到随
计量经济学试题
C． D．
9．根据可决系数R2与F统计量的关系可知，当R2= 1时有（ ）。
A．F = 1 B．F = －1
C．F → +∞ D．F = 0
10．若回归模型中的随机误差项存在异方差性，则估计模型参数应采用（ ）。
A．普通最小二乘法 B．加权最小二乘法
C．广义差分法 D．工具变量法
11．戈德菲尔德 — 匡特检验法可用于检验（ ）。
7、当存在序列相关时，OLS估计量是有偏的并且也是无效的
8、消除序列相关的一阶差分变换假定自相关系数 必须等于1.
9、两个模型，一个是一阶差分形式，一个是水平形式，这两个模型的 值是不可以直接比较的。
10、存在多重共线时，一定会使参数估计值的方差增大，从而造成估计效率的损失。
11、存在多重共线时，模型参数无法估计。
D．样本数据的收集、理论模型的设计、模型的检验、模型的参数估计
2．计量经济学模型必须通过对四级检验，依次是： （ ）
A．统计检验、计量经济学检验、经济意义检验、模型预测检验
B．计量经济学检验、经济意义检验、模型预测检验、统计检验
C．参数估计检验、模型检验、数据检验、预测能力检验
D．经济意义检验、统计检验、计量经济学检验、预测能力检验
A．异方差性 B．多重共线性
C．序列相关 D．设定误差
12．用于检验序列相关的DW统计量的取值范围是（ ）。
A．0≤DW≤1 B．－1≤DW≤1
C．－2≤DW≤2 D．0≤DW≤4
13．若回归模型中的随机误差项存在一阶自回归形式的序列相关，则估计模型参数应采用（ ）。
A．普通最小二乘法 B．加权最小二乘法
3．最小二乘准则是指使________达到最小值的原则确定样本回归方程。 （ ）
- 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)。
序列相关的检验及修正例题：中国居民总量消费函数 数据：年份 GDP CONS CPI TAX GDPC X Y1978 3605.6 1759.1 46.21 519.28 7802.6 6678.9 3806.8 1979 4092.6 2011.5 47.07 537.82 8694.7 7552.1 4273.4 1980 4592.9 2331.2 50.62 571.70 9073.3 7943.9 4605.3 1981 5008.8 2627.9 51.90 629.89 9650.9 8437.2 5063.4 1982 5590.0 2902.9 52.95 700.02 10557.1 9235.1 5482.3 1983 6216.2 3231.1 54.00 775.59 11511.5 10075.2 5983.5 1984 7362.7 3742.0 55.47 947.35 13273.3 11565.4 6746.0 1985 9076.7 4687.4 60.65 2040.79 14965.7 11600.8 7728.6 1986 10508.5 5302.1 64.57 2090.37 16274.6 13037.2 8211.4 1987 12277.4 6126.1 69.30 2140.36 17716.3 14627.8 8840.0 1988 15388.6 7868.1 82.30 2390.47 18698.2 15793.6 9560.3 1989 17311.3 8812.6 97.00 2727.40 17846.7 15034.9 9085.2 1990 19347.8 9450.9 100.00 2821.86 19347.8 16525.9 9450.9 1991 22577.4 10730.6 103.42 2990.17 21830.8 18939.5 10375.7 1992 27565.2 13000.1 110.03 3296.91 25052.4 22056.1 11815.1 1993 36938.1 16412.1 126.20 4255.30 29269.5 25897.6 13004.8 1994 50217.4 21844.2 156.65 5126.88 32057.1 28784.2 13944.6 1995 63216.9 28369.7 183.41 6038.04 34467.5 31175.4 15467.9 1996 74163.6 33955.9 198.66 6909.82 37331.9 33853.7 17092.5 1997 81658.5 36921.5 204.21 8234.04 39987.5 35955.4 18080.2 1998 86531.6 39229.3 202.59 9262.80 42712.7 38140.5 19363.9 1999 91125.0 41920.4 199.72 10682.58 45626.4 40277.6 20989.6 2000 98749.0 45854.6 200.55 12581.51 49239.1 42965.6 22864.4 2001 108972.4 49213.2 201.94 15301.38 53962.8 46385.6 24370.2 2002 120350.3 52571.3 200.32 17636.45 60079.0 51274.9 26243.7 2003 136398.8 56834.4 202.73 20017.31 67281.0 57407.1 28034.5 2004 160280.4 63833.5 210.63 24165.68 76095.7 64622.7 30306.0 2005 188692.1 71217.5 214.42 28778.54 88001.2 74579.6 33214.0 2006 221170.5 80120.5 217.65 34809.72 101617.5 85624.1 36811.61、 建立回归模型，模型的OLS 估计 t t t X Y μββ++=10 （1）录入数据打开EViews6，点“File ”“New ”“Workfile ”选择“Dated-regular frequency”，在Frequency 后选择“Annual”，在Start data后输入1978，在End data 后输入2006，点击“ok”。
在命令行输入：DATA X Y，回车将数据复制粘贴到Group中的表格中：（2）估计回归方程在命令行输入命令：LS Y C X，回车或者在主菜单中点“Quick”“Estimate Equation”，在Specification中输入 Y C X，点“确定”。
得到如下输出：写出估计结果：X Y4375.028.2091ˆ+= （6.243） （47.059）2R =0.9880 =2R 0.9875 F=2214.537 D.W.=0.2772、 序列相关的检验 （1） 图示检验法 作残差序列的时序图：保存残差虚列： GENR E=RESID 作图： PLOT E从图上可以看出，模型的最小二乘残差开始连续几期小于0，接着连续几期都大于0，这种模式的残差意味着模型可能存在正的序列相关性。
做t e ~和1~-t e 的关系图： SCAT E(-1) E-1,600-1,200-800-40004008001,2001,6002,0002,400-4,000-2,00002,0004,000EE (-1)从上面的散点图可以看出，t e ~和1~-t e 之间可以拟合一个线性模型： t e ~=tt e ερ+-1~ 且回归直线的斜率为正（>0），表明模型存在正的序列相关性。
（2）DW 检验由OLS 估计的结果可知：D.W.=0.277。
查DW 分布的临界值表，k=2，n=29时，L d =1.34，U d =1.48，显然0<0.277<L d ，因此模型存在一阶正的自相关。
（3）回归检验法拟合模型：t e ~=tt e ερ+-1~，并运用OLS 估计模型：LS E E(-1) 得到如下结果：写出回归结果：1~949.0ˆ~-=t t e e （8.148）回归系数的t 统计量为8.148，伴随概率P=0.0000<=0.05，表明原模型存在一阶序列相关。
拟合模型：t e ~=t t t e e ερρ++--2211~~，并运用OLS 估计模型：LS E E(-1) E(-2)得到如下结果：写出回归结果：21~864.0~659.1ˆ~---=t t t e e e （10.895） (-5.567)回归系数和的t 统计量分别为10.895、-5.567，相应的伴随概率P=0.0000<=0.05，表明原模型存在二阶序列相关。
拟合模型：t e ~=112233t t t t e e e ρρρε---+++，并运用OLS 估计模型：LS E E(-1) E(-2) E(-3)，回车，得到如下结果：写出回归结果：123ˆ 1.4950.4740.286t t t t e e e e ---=-- （7.280） (-1.277) （-1.182）回归系数的t 统计量为7.280，相应的伴随概率P1=0.0000<=0.05，表明显著不为零，但和的t 统计量分别为-1.277、-1.182，相应的伴随概率P2=0.2144，P3=0.2491，均大于=0.05，表明原模型不存在三阶序列相关。
综上，原模型有二阶序列相关。
（4）LM 检验首先采用OLS 估计模型，在弹出的Equation 窗口，点View Residual Tests Serial correlation LM Test…，弹出下面的对话框：点“OK ”。
得到下面的输出：从上面的输出可知：LM=23.65686，Prob.Chi-Square(2)=0.0000，小于=0.05，且辅助回归中RESID(-1)和RESID(-2)的系数均显著不为0（对应t统计量的P值均小于0.05），说明模型具有2节序列相关。
在Equation窗口，点View Residual Tests Serial correlation LM Test…，在弹出的对话框里将滞后阶数改为3：点“OK”。
得到下面的输出：这时，LM=23.96054，Prob.Chi-Square(2)=0.0000，小于=0.05，但辅助回归中RESID(-2)和RESID(-3)的系数不显著（对应t统计量的P值均大于0.05），说明模型仅存在2阶序列相关，不具有3阶的序列相关。
3、序列相关的修正（1）广义差分法已知模型具有2阶序列相关，在命令行输入命令：LS Y C X AR(1) AR(2) 回车得到下面的输出：写出修正后的模型：=130348.8+0.2796X+1.3902AR(1)-0.3922AR(2)(0.049) (4.309) (6.526) (-1.681)=0.9988 =0.9987 F=6536.97 D.W=1.9514（2）序列相关稳健估计法在主菜单中点“Quick”“Estimate Equation”，在Specification中输入 Y C X，然后点击“Options”，在弹出的对话框里选择“Heteroskedasticity consistent coefficient”——“Newey—West”，点“确定”。
得到如下输出：写出估计结果：=2091.282+0.4375X(4.238) (22.294)=0.988 =0.988 F=2214.54 D.W=0.277（注：可编辑下载，若有不当之处，请指正，谢谢!）。