时间序列模型 自相关性和协整检验

8
T
(uˆt uˆt1)2
D.W . t2 T
uˆt2
2(1 ˆ )
t 1
如果序列不相关，D.W.值在2附近。
如果存在正序列相关，D.W.值将小于2。
如果存在负序列相关，D.W.值将在2～4之间。
正序列相关最为普遍，根据经验，对于有大于50个观测 值和较少解释变量的方程，D.W.值小于1.5的情况，说明残 差序列存在强的正一阶序列相关。
第五章 时间序列模型
关于标准回归技术及其预测和检验我们已经在 前面的章节讨论过了，本章着重于时间序列模型的估 计和定义，这些分析均是基于单方程回归方法，第9 章我们还会讨论时间序列的向量自回归模型。
这一部分属于动态计量经济学的范畴。通常是运 用时间序列的过去值、当期值及滞后扰动项的加权和 建立模型，来“解释”时间序列的变化规律。
10
2 . 相关图和Q -统计量
1. 自相关系数 我们还可以应用所估计回归方程残差序列的自相关系数
和偏自相关系数来检验序列相关。时间序列 ut 滞后 k 阶的
自相关系数由下式估计
rk
T
t k 1
ut
u
utk u
TtLeabharlann 1utu2
（5.2.26）
其中 u 是序列的样本均值，这是相距 k 期值的相关系数。
15
反之，如果，在某一滞后阶数 p，Q-统计量超过设定 的显著性水平的临界值，则拒绝原假设，说明残差序列存 在 p 阶自相关。由于Q-统计量的 P 值要根据自由度 p 来 估算，因此，一个较大的样本容量是保证Q-统计量有效 的重要因素。
在EViews软件中的操作方法： 在方程工具栏选择View/Residual Tests/correlogramQ-statistics。EViews将显示残差的自相关和偏自相关函数 以及对应于高阶序列相关的Ljung-Box Q统计量。如果残 差不存在序列相关，在各阶滞后的自相关和偏自相关值都 接近于零。所有的Q-统计量不显著，并且有大的 P 值。
CSt c0 c1CSt1 c2GDPt ut
t = 1, 2, , T 应用最小二乘法得到的估计方程如下：
CSt 10.15 0.93CSt1 0.05GDPt uˆt
t = (1.93) (3.23) (41.24) R2=0.999 D.W.=1.605
24
如果单纯从显著性水平、拟合优度及D.W.值来看， 这个模型是一个很理想的模型。但是，由于方程的解释 变量存在被解释变量的一阶滞后项，那么 D.W.值就不能 作为判断回归方程的残差是否存在序列相关的标准，如 果残差序列存在序列相关，那么，显著性水平、拟合优 度和F统计量将不再可信。所以，必须采取本节中介绍的 其他检验序列相关的方法检验残差序列的自相关性。这 里采用 LM 统计量进行检验(p=2)，得到结果如下：
20
（1）估计回归方程，并求出残差et
et yt ˆ0 ˆ1x1t ˆ2 x2t ˆk xkt
（2）检验统计量可以基于如下回归得到
(5.1.8)
et Xt 1et1 pet p vt
(5.1.9)
这是对原始回归因子Xt 和直到 p 阶的滞后残差的回归。 LM检验通常给出两个统计量：F 统计量和 T×R2 统计量。
度量。在 k 阶滞后下估计偏自相关系数的计算公式如下
r1
k ,k
rk
r k1
j1 k 1, j k j
1
r k 1
j1 k 1, j k j
k 1 k 1 （5.2.27）
其中：rk 是在 k 阶滞后时的自相关系数估计值。
k, j
k 1, j
k ,k k 1,k j
ln( invt ) 1rt1 2 ln( gnpt ) ut
t = 1, 2, , T
17
应用最小二乘法得到的估计方程如下：
ln( invt ) 0.016rt1 0.734ln( gnpt ) uˆt
t =（-1.32） （154.25）
R2=0.80 D.W.=0.94
18
选择View/Residual test/Correlogram-Q-statistice会产生如下结果：
3
§5.1 序列相关及其检验
§5.1.1 序列相关及其产生的后果
对于线性回归模型
yt 0 1x1t 2 x2t k xkt ut
(5.1.1)
随机扰动项之间不相关，即无序列相关的基本假设为
cov(ut ,uts ) 0 s 0 , t 1 , 2 , , T (5.1.2)
如果扰动项序列 ut 表现为：
与D.W.统计量仅检验扰动项是否存在一阶自相关不 同，Breush-Godfrey LM检验（Lagrange multiplier，即 拉格朗日乘数检验）也可应用于检验回归方程的残差序 列是否存在高阶自相关，而且在方程中存在滞后因变量 的情况下，LM检验仍然有效。
LM检验原假设为：直到 p 阶滞后不存在序列相关， p 为预先定义好的整数；备选假设是：存在 p 阶自相关。 检验统计量由如下辅助回归计算。
例5.1(续) 序列相关LM检验
LM统计量显
示，在5%的显
著性水平拒绝原
假设，回归方程
的残差序列存在
序列相关性。因
此，回归方程的
估计结果不再有
效，必须采取相
应的方式修正残
差的自相关性。
23
例5.2: 含滞后因变量的回归方程扰动项序列相关的检验
考虑美国消费CS 和GDP及前期消费之间的关系，数据 期间：1947年第1季度～1995年第1季度，数据中已消除了 季节要素，建立如下线性回归方程：
1
在时间序列模型的发展过程中，一个重要的特征是 对统计均衡关系做某种形式的假设，其中一种非常特殊 的假设就是平稳性的假设。通常一个平稳时间序列能够 有效地用其均值、方差和自相关函数加以描述。本章首 先通过讨论回归方程扰动项通常会存在的序列相关性问 题，介绍如何应用时间序列数据的建模方法，修正扰动 项序列的自相关性。进一步讨论时间序列的自回归移动 平均模型（ARMA模型），并且讨论它们的具体形式、 估计及识别方法。
2
由于传统的时间序列模型只能描述平稳时间序 列的变化规律，而大多数经济时间序列都是非平稳 的，因此，由20世纪80年代初Granger提出的协整概 念，引发了非平稳时间序列建模从理论到实践的飞 速发展。本章还介绍了非平稳时间序列的单位根检 验方法、ARIMA模型的建模方法、协整理论的基本 思想及误差修正模型。
9
Dubin-Waston统计量检验序列相关有三个主要不足： 1．D-W统计量的扰动项在原假设下依赖于数据矩阵X。 2．回归方程右边如果存在滞后因变量，D-W检验不 再有效。 3．仅仅检验是否存在一阶序列相关。 其他两种检验序列相关方法：相关图和Q-统计量、 Breush-Godfrey LM检验克服了上述不足，应用于大多数 场合。
① 在线性估计中OLS估计量不再是有效的； ② 使用OLS公式计算出的标准差不正确； ③ 回归得到的参数估计量的显著性水平的检验不 再可信。
6
§5.1.2 序列相关的检验方法
EViews提供了检测序列相关和估计方法的工具。但 首先必须排除虚假序列相关。虚假序列相关是指模型的 序列相关是由于省略了显著的解释变量而引起的。例如， 在生产函数模型中，如果省略了资本这个重要的解释变 量，资本对产出的影响就被归入随机误差项。由于资本 在时间上的连续性，以及对产出影响的连续性，必然导 致随机误差项的序列相关。所以在这种情况下，要把显 著的变量引入到解释变量中。
如果Q-统计量在某一滞后阶数显著不为零，则说 明序列存在某种程度上的序列相关。在实际的检验中， 通常会计算出不同滞后阶数的Q-统计量、自相关系数 和偏自相关系数。如果，各阶Q-统计量都没有超过由 设定的显著性水平决定的临界值，则接受原假设，即 不存在序列相关，并且此时，各阶的自相关和偏自相 关系数都接近于0。
13
我们还可以应用所估计回归方程残差序列的自相关 和偏自相关系数，以及Ljung-Box Q-统计量来检验序列 相关。Q-统计量的表达式为：
QLB
T
T 2
p rj2 j1 T j
(5.1.7)
其中：rj 是残差序列的 j 阶自相关系数，T 是观测值的个 数，p是设定的滞后阶数 。
14
p 阶滞后的Q-统计量的原假设是：序列不存在 p 阶自相关；备选假设为：序列存在 p 阶自相关。
称 rk 为时间序列 ut 的自相关系数，自相关系数可以部分的
刻画一个随机过程的性质。它告诉我们在序列 ut 的邻近数
据之间存在多大程度的相关性。
11
2．偏自相关系数
偏自相关系数是指在给定ut-1，ut-2，…，ut-k-1的条件下，
ut 与ut-k 之间的条件相关性。其相关程度用偏自相关系数k,k
F统计量是对式（5.1.9）所有滞后残差联合显著性的一种检
验。T×R2统计量是LM检验统计量，是观测值个数 T 乘以
回归方程（5.1.9）的 R2。一般情况下，T×R2统计量服从
渐进的 2(p) 分布。
21
在给定的显著性水平下，如果这两个统计量小于设 定显著性水平下的临界值，说明序列在设定的显著性水 平下不存在序列相关；反之，如果这两个统计量大于设 定显著性水平下的临界值，则说明序列存在序列相关性。
7
EViews提供了以下3种检测序列相关的方法。
1．D_W统计量检验
Durbin-Watson 统计量（简称D_W统计量）用于检
验一阶序列相关，还可估算回归模型邻近残差的线性联
系。对于扰动项 ut 建立一阶自回归方程：
ut ut1 t
(5.1.6)
D_W统计量检验的原假设： = 0，备选假设是 0。
（5.2.28）