资源描述
如果模型的随机误差项违背了互相独立的如果模型的随机误差项违背了互相独立的基本假设的情况，称为基本假设的情况，称为自相关性自相关性。普通最小二乘法（普通最小二乘法（OLSOLS）要求计量模型）要求计量模型的随机误差项的随机误差项相互独立相互独立或或序列不相关序列不相关。一、自相关性一、自相关性1 1、自相关的概念、自相关的概念 如果对于不同的样本点，随机误差项之间不再是如果对于不同的样本点，随机误差项之间不再是不相关的，而是存在某种相关性，则认为出现了不相关的，而是存在某种相关性，则认为出现了自自相关性相关性。称为一一阶阶自自相相关关，或自自相相关关（autocorrelation）。这是最常见的一种自相关问题。自相关自相关往往可写成如下形式：其中：被称为自自协协方方差差系系数数（coefficient of autocovariance）或一一阶阶自自相相关关系系数数（first-order coefficient of autocorrelation）。2 2、自相关产生的原因、自相关产生的原因 （1 1）惯性）惯性 大大多多数数经经济济时时间间数数据据都都有有一一个个明明显显的的特特点点，就就是是它它的惯性。的惯性。GDP、价格指数、生产、就业与失业等时间序列都呈周期性，如周期中的复苏阶段，大多数经济序列均呈上升势，序列在每一时刻的值都高于前一时刻的值，似乎有一种内在的动力驱使这一势头继续下去，直至某些情况（如利率或课税的升高）出现才把它拖慢下来。（2 2）设定偏误：模型中遗漏了显著的变量）设定偏误：模型中遗漏了显著的变量 例如：如果对牛肉需求的正确模型应为Yt=0+1X1t+2X2t+3X3t+t其中：Y=牛肉需求量，X1=牛肉价格，X2=消费者收入，X3=猪肉价格。如果模型设定为：Yt=0+1X1t+2X2t+vt那么该式中的随机误差项实际上是：vt=3X3t+t,于是在猪肉价格影响牛肉消费量的情况下，这这种种模模型型设设定定的的偏偏误误往往往往导导致致随随机机项项中中有有一一个个重重要要的的系系统统性性影响因素，使其呈自相关性。影响因素，使其呈自相关性。(3)(3)设定偏误：不正确的函数形式设定偏误：不正确的函数形式 例如：例如：如果边际成本模型应为：Yt=0+1Xt+2Xt2+t其中：Y=边际成本，X=产出。但建模时设立了如下模型：Yt=0+1Xt+vt因此，由于vt=2Xt2+t,，包含了产出的平方对随机项的系统性影响，随机项也呈现自相关性。(4)(4)蛛网现象蛛网现象 例例如如，农产品供给对价格的反映本身存在一个滞后期：供给t=0+1价格t-1+t意味着，农民由于在年度t的过量生产（使该期价格下降）很可能导致在年度t+1时削减产量，因此不能期望随机干扰项是随机的，往往产生一种蛛网模式。(5)(5)数据的数据的“编造编造”例如，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干扰项中出现系统性的因素，从而出现自相关。还有就是两个时间点之间的“内插”技术往往导致随机项的自相关性。二、自相关性的后果二、自相关性的后果1 1、参数估计量非有效、参数估计量非有效 OLS参数估计量仍具无偏性参数估计量仍具无偏性 OLS估计量不具有有效性估计量不具有有效性 在大样本情况下，参数估计量仍然不具有渐近有在大样本情况下，参数估计量仍然不具有渐近有效性，这就是说参数估计量不具有一致性效性，这就是说参数估计量不具有一致性 2、变量的显著性检验失去意义、变量的显著性检验失去意义 在关于变量的显著性检验中，当存在自相关时，在关于变量的显著性检验中，当存在自相关时，参数的参数的OLS估计量的方差增大，标准差也增大，估计量的方差增大，标准差也增大，因此实际的因此实际的 t 统计量变小，从而接受原假设统计量变小，从而接受原假设 i=0的可能性增大，的可能性增大，检验就失去意义。检验就失去意义。采用其它检验也是如此。采用其它检验也是如此。3、模型的预测失效模型的预测失效 区区间间预预测测与与参参数数估估计计量量的的方方差差有有关关，在在方方差差有有偏偏误误的的情情况况下下，使使得得预预测测估估计计不不准准确确，预预测测精精度度降降低低。所所以以，当当模模型型出出现现自自相相关关性性时时，它它的的预预测测功能失效。功能失效。三、自相关性的检验三、自相关性的检验1 1、基本思路、基本思路自相关性检验方法有多种，但基本思路是相同自相关性检验方法有多种，但基本思路是相同的。的。首先采用普通最小二乘法估计模型，以求得随首先采用普通最小二乘法估计模型，以求得随机误差项的机误差项的“近似估计量近似估计量”：然后，通过分析这些然后，通过分析这些“近似估计量近似估计量”之间的相关之间的相关性，以达到判断随机误差项是否具有自相关性的性，以达到判断随机误差项是否具有自相关性的目的。目的。2 2、图示法、图示法2 2、解析法、解析法（1 1）回归检验法）回归检验法 具体应用时需要反复试算。具体应用时需要反复试算。回归检验法的优点是：回归检验法的优点是：一旦确定了模型存在自相关性，也就同时知一旦确定了模型存在自相关性，也就同时知道了相关的形式；道了相关的形式；它适用于任何类型的自相关性问题的检验。它适用于任何类型的自相关性问题的检验。对各方程估计并进行显著性检验，如果存在某一种函数形式，使得方程显著成立，则说明原模型存在自相关性。（2 2）杜宾）杜宾-瓦森（瓦森（Durbin-WatsonDurbin-Watson）检验法）检验法 D-W检检 验验 是是 杜杜 宾宾（J.Durbin）和和 瓦瓦 森森(G.S.(G.S.Watson)Watson)于于19511951年提出的一种检验序列自相关的方法。年提出的一种检验序列自相关的方法。该方法的假定条件是该方法的假定条件是：（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）没有缺落数据。D.W.统计量统计量该统计量该统计量的分布与出现在给定样本中的的分布与出现在给定样本中的X值有值有复杂的关系，因此其复杂的关系，因此其精确的分布很难得到精确的分布很难得到。但是但是，Durbin和和Watson成功地导出了临界值的成功地导出了临界值的下限下限dL和上限和上限dU，且这些上下限只与样本的容，且这些上下限只与样本的容量量n和解释变量的个数和解释变量的个数k有关，而与解释变量有关，而与解释变量X的取值无关。的取值无关。检验步骤检验步骤 计算该统计量的值，计算该统计量的值，根据样本容量根据样本容量n和解释变量数目和解释变量数目k查查D.W.分布分布表，得到临界值表，得到临界值dL和和dU，按照下列准则考察计算得到的按照下列准则考察计算得到的D.W.值，以判值，以判断模型的自相关状态。断模型的自相关状态。可以看出，可以看出，当当D.W.值在值在2左右时，模型不存在左右时，模型不存在一阶自相关。一阶自相关。如果存在完全一阶正相关，即如果存在完全一阶正相关，即 =1，则则 D.W.0 如果存在完全一阶负相关，即如果存在完全一阶负相关，即 =-1，则则 D.W.4如果完全不相关，即如果完全不相关，即 =0，则则 D.W.2 （1）从从判判断断准准则则看看到到，存存在在一一个个不不能能确确定定的的D.W.值区域，这是这种检验方法的一大缺陷。值区域，这是这种检验方法的一大缺陷。（2）D.W.检检验验虽虽然然只只能能检检验验一一阶阶自自相相关关，但但在在实实际际计计量量经经济济学学问问题题中中，一一阶阶自自相相关关是是出出现现最最多多的一类自相关；的一类自相关；（3）经经验验表表明明，如如果果不不存存在在一一阶阶自自相相关关，一一般般也不存在高阶自相关。也不存在高阶自相关。所所以以在在实实际际应应用用中中，对对于于自自相相关关问问题题一一般般只只进进行行D.W.检验。检验。注意：注意：四、具有自相关性模型的估计四、具有自相关性模型的估计如果模型被检验证明存在自相关性，则如果模型被检验证明存在自相关性，则需要发展新的方法估计模型。需要发展新的方法估计模型。最常用的方法是最常用的方法是广义最小二乘法广义最小二乘法（GLS:Generalized least squares）、）、一阶差分一阶差分法法（First-Order Difference)和和广义差分广义差分法法(Generalized Difference)。1 1、广义最小二乘法、广义最小二乘法 对于模型对于模型 Y=XB+N (2.5.7)如果存在自相关，同时存在异方差，即有 设 =DD 用D-1左乘(2.5.7)两边，得到一个新的模型：D-1 Y=D-1 XB+D-1 N (2.5.8)即 Y*=X*B+N*该模型具有同方差性和随机误差项互相独立性。于是，可以用于是，可以用OLS法估计模型法估计模型(2.5.8)，得，得（2.5.9)这就是原模型这就是原模型(2.5.7)的的广义最小二乘估计量广义最小二乘估计量(GLS estimators)，是无偏的、有效的估计量。是无偏的、有效的估计量。如何得到矩阵如何得到矩阵？仍仍然然是是对对原原模模型型(2.5.7)首首先先采采用用普普通通最最小小二二乘乘法法，得得到到随随机机误误差差项项的的近近似似估估计计量量，以以此此构构成成矩矩阵的估计量阵的估计量 ，即，即可行的广义最小二乘法可行的广义最小二乘法（FGLS,Feasible Generalized Least Squares）文献中常见的术语文献中常见的术语 如果能够找到一种方法，求得到如果能够找到一种方法，求得到的估计量，的估计量，使得使得GLS能够实现，都称为能够实现，都称为FGLS 前面提出的方法，就是前面提出的方法，就是FGLS2 2、一阶差分法、一阶差分法 即使对于非完全一阶正相关的情况，只要存在一即使对于非完全一阶正相关的情况，只要存在一定程度的一阶正相关，差分模型就可以有效地加定程度的一阶正相关，差分模型就可以有效地加以克服。以克服。如果原模型存在完全一阶正自相关如果原模型存在完全一阶正自相关，即在 i=i-1+i中，=1。(2.5.10)可变换为：Yi=1Xi+I由于由于 i不存在自相关，该差分模型满足应用不存在自相关，该差分模型满足应用OLS法法的基本假设，用的基本假设，用OLS法估计可得到原模型参数的无法估计可得到原模型参数的无偏的、有效的估计量。偏的、有效的估计量。3 3、广义差分法、广义差分法 模型(2.5.12)为广义差分模型广义差分模型，该模型不存在自相关问题。采用OLS法估计可以得到原模型参数的无偏、有效的估计量。广义差分法广义差分法可以克服所有类型的自相关带来的问可以克服所有类型的自相关带来的问题，一阶差分法是它的一个特例。题，一阶差分法是它的一个特例。4 4、随机误差项相关系数、随机误差项相关系数 的估计的估计 应应用用广广义义差差分分法法，必必须须已已知知不不同同样样本本点点之之间间随随机机误误差差项项的的相相关关系系数数 1 1,2 2,l l。实实际际上上，人人们们并并不不知知道道它它们们的的具具体体数数值值，所所以以必必须须首首先先对对它它们们进进行行估计。估计。常用的方法有：常用的方法有：（1）科克伦）科克伦-奥科特（奥科特（Cochrane-Orcutt）迭代法。）迭代法。（2）杜宾（）杜宾（durbin）两步法）两步法 （1）科克伦）科克伦-奥科特迭代法奥科特迭代法 首先首先，采用OLS法估计原模型 Yi=0+1Xi+i得到的随机误差项的“近似估计值”，并以之作为观测值采用OLS法估计下式 i=1i-1+2i-2+Li-L+i 类似地，可进行第三次、第四次迭代。类似地，可进行第三次、第四次迭代。关于迭代的次数，可根据具体的问题来定。关于迭代的次数，可根据具体的问题来定。一一般般是是事事先先给给出出一一个个精精度度，当当相相邻邻两两次次 1，2，L的的估估计计值值之之差差小小于于这这一一精精度度时时，迭迭代代终终止。止。实实践践中中，有有时时只只要要迭迭代代两两次次，就就可可得得到到较较满满意意的的结结果果。两两次次迭迭代代过过程程也也被被称称为为科科克克伦伦-奥奥科科特特两两步法。步法。（2）杜宾）杜宾（durbin）两步法两步法 该方法仍是先估计该方法仍是先估计 1，2，L，再对差分，再对差分模型进行估计。模型进行估计。5 5、应用软件中的广义差分法、应用软件中的广义差分法在在Eview/TSPEview/TSP软件包下，广义差分采用了科克软件包下，广义差分采用了科克伦伦-奥科特（奥科特（Cochrane-OrcuttCochrane-Orcutt）迭代法估计）迭代法估计。在解释变量中引入在解释变量中引入AR(1)AR(1)、AR(2)AR(2)、，即可得即可得到参数和到参数和1、2、的估计值。的估计值。其中其中AR(m)AR(m)表示表示随机误差项的随机误差项的m m阶自回归。在估计过程中自动阶自回归。在估计过程中自动完成了完成了1、2、的迭代的迭代.6 6、虚假自相关问题、虚假自相关问题 由于随机项的自相关往往是在模型设定中遗漏由于随机项的自相关往往是在模型设定中遗漏了重要的解释变量或对模型的函数形式设定有误，了重要的解释变量或对模型的函数形式设定有误，这种情形可称为这种情形可称为虚假自相关虚假自相关，应在模型设定中排，应在模型设定中排除。除。避免产生虚假自相关性的措施是在开始时建立避免产生虚假自相关性的措施是在开始时建立一个一个“一般一般”的模型，然后逐渐剔除确实不显著的的模型，然后逐渐剔除确实不显著的变量。变量。五、案例：地区商品出口模型五、案例：地区商品出口模型1 1、某地区商品出口总值与国内生产总值的数据、某地区商品出口总值与国内生产总值的数据2 2、自相关性检验、自相关性检验（1）图示法检验）图示法检验（2 2）D.W.D.W.检验检验 在5%在显著性水平下，n=19，k=2(包含常数项)，查表得dL=1.18，dU=1.40，由于DW=0.9505du=1.39(注：样本容量为18个)，已不存在自相关。广义差分法广义差分法采用杜宾两步法估计采用杜宾两步法估计 由于DW=1.39(注：样本容量为19-1=18个)，已不存在自相关。于是原模型估计式为：于是原模型估计式为：采用科克伦采用科克伦-奥科特迭代法估计奥科特迭代法估计 一阶广义差分的结果：一阶广义差分的结果：由于DWdu=1.39(注：样本容量为18个)，已不存在自相关。二阶广义差分的结果：二阶广义差分的结果：由于DWdu=1.38(注：样本容量为19-2=17个)，已不存在自相关。但由于AR2前的系数的t值为-0.15，在5%的显著性水平下并不显著，说明随机干扰项不存在二阶自相关性，模型中应去掉AR2项。
展开阅读全文