广义差分法的EViews软件实现.ppt

1,计量经济学,第六章自相关,2,引子:t检验和F检验一定就可靠吗?,研究居民储蓄存款与居民收入的关系：用普通最小二乘法估计其参数，结果为（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统计量较大，说明居民收入对居民储蓄存款的影响非常显著。同时可决系数也非常高，F统计量为4122.531，也表明模型异常的显著。但此估计结果可能是虚假的，t统计量和F统计量都被虚假地夸大，因此所得结果是不可信的。为什么呢?,4,本章讨论四个问题：什么是自相关自相关的后果自相关的检验自相关性的补救,第六章自相关,5,第一节什么是自相关,本节基本内容:自相关的概念自相关产生的原因自相关的表现形式,6,一、自相关的概念,自相关（autocorrelation），又称序列相关（serialcorrelation）是指总体回归模型的随机误差项之间存在相关关系。即不同观测点上的误差项彼此相关。可以表示为:,7,一阶自相关系数,自相关系数的定义与普通相关系的公式形式相同,的取值范围为,式（6.1）中是滞后一期的随机误差项。因此，将式（6.1）计算的自相关系数称为一阶自相关系数。,8,二、自相关产生的原因,9,自相关现象大多出现在时间序列数据中，而经济系统的经济行为都具有时间上的惯性。如GDP、价格、就业等经济指标都会随经济系统的周期而波动。例如，在经济高涨时期，较高的经济增长率会持续一段时间，而在经济衰退期，较高的失业率也会持续一段时间，这种现象就会表现为经济指标的自相关现象。,原因1经济系统的惯性,10,滞后效应是指某一指标对另一指标的影响不仅限于当期而是延续若干期。由此带来变量的自相关。例如，居民当期可支配收入的增加，不会使居民的消费水平在当期就达到应有水平，而是要经过若干期才能达到。因为人的消费观念的改变客观上存在自适应期。,原因2经济活动的滞后效应,11,因为某些原因对数据进行了修整和内插处理，在这样的数据序列中就会有自相关。例如，将月度数据调整为季度数据，由于采用了加合处理，修匀了月度数据的波动，使季度数据具有平滑性，这种平滑性产生自相关。对缺失的历史资料，采用特定统计方法进行内插处理，使得数据前后期相关，产生了自相关。,原因3数据处理造成的相关,12,原因4蛛网现象,13,如果模型中省略了某些重要的解释变量或者模型函数形式不正确，都会产生系统误差，这种误差存在于随机误差项中，从而带来了自相关。由于该现象是由于设定失误造成的自相关，因此，也称其为虚假自相关。,原因5模型设定偏误,14,例如，应该用两个解释变量，即:而建立模型时，模型设定为:则对的影响便归入随机误差项中，由于在不同观测点上是相关的，这就造成了在不同观测点是相关的，呈现出系统模式，此时是自相关的。,15,模型形式设定偏误也会导致自相关现象。如将成本曲线设定为线性成本曲线，则必定会导致自相关。由设定偏误产生的自相关是一种虚假自相关，可通过改变模型设定予以消除。自相关关系主要存在于时间序列数据中，但是在横截面数据中，也可能会出现自相关,通常称其为空间自相关（Spatialautocorrelation）。,16,例如，在消费行为中，一个家庭、一个地区的消费行为可能会影响另外一些家庭和另外一些地区，就是说不同观测点的随机误差项可能是相关的。多数经济时间序列在较长时间内都表现为上升或下降的超势，因此大多表现为正自相关。但就自相关本身而言是可以为正相关也可以为负相关。,17,三、自相关的表现形式,自相关是序列自身的相关，因随机误差项的关联形式不同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。,18,对于样本观测期为的时间序列数据，可得到总体回归模型(PRF)的随机项为，如果自相关形式为其中为自相关系数，为经典误差项，即则此式称为一阶自回归模式，记为。因为模型中是滞后一期的值，因此称为一阶。此式中的也称为一阶自相关系数。,自相关的形式,19,如果式中的随机误差项不是经典误差项，即其中包含有的成份，如包含有则需将显含在回归模型中，其为其中，为一阶自相关系数，为二阶自相关系数，是经典误差项。此式为二阶自回归模式，记为。,20,一般地，如果之间的关系为其中，为经典误差项。则称此式为阶自回归模式，记为。在经济计量分析中，通常采用一阶自回归形式，即假定自回归形式为一阶自回归。,21,第二节自相关的后果,本节基本内容:自相关对参数估计的影响自相关对模型检验的影响自相关对模型预测的影响,22,一、对参数估计的影响,在有自相关的条件下，仍然使用普通最小二乘法将低估估计量的方差并且将低估真实的,23,24,例如，一元回归中,25,当存在自相关时，普通最小二乘估计量不再是最佳线性无估计量，即它在线性无偏估计量中不是方差最小的。在实际经济系统中，通常存在正的自相关，即，同时序列自身也呈正相关，因此式(6.18)右边括号内的值通常大于0。因此，在有自相关的条件下，仍然使用普通最小二乘法将低估估计量的方差。将低估真实的。,26,二、对模型检验的影响,27,由于并不是所有线性无偏估计量中最小的，使用t检验判断回归系数的显著性时就可能得到错误的结论。,t检验统计量为：,由于的错误夸大，得到的统计量就可能小于临界值，从而得到参数不显著的结论。而这一结论可能是不正确的。,考虑自相关时的检验,28,如果我们忽视自相关问题依然假设经典假定成立，使用，将会导致错误结果。当，即有正相关时，对所有的有。另外回归模型中的解释变量在不同时期通常是正相关的，对于和来说是大于0的。,忽视自相关时的检验,29,30,一个被低估了的标准误意味着一个较大的t统计量。因此，当时，通常t统计量都很大。这种有偏的t统计量不能用来判断回归系数的显著性。综上所述，在自相关情形下，无论考虑自相关，还是忽视自相关，通常的回归系统显著性的t检验都将是无效的。类似地,由于自相关的存在,参数的最小二乘估计量是无效的，使得F检验和t检验不再可靠。,31,三、对模型预测的影响,模型预测的精度决定于抽样误差和总体误差项的方差。抽样误差来自于对的估计，在自相关情形下，的方差的最小二乘估计变得不可靠，由此必定加大抽样误差。同时，在自相关情形下，对的估计也会不可靠。由此可看出，影响预测精度的两大因素都会因自相关的存在而加大不确定性，使预测的置信区间不可靠，从而降低预测的精度。,32,第三节自相关的检验,本节基本内容:图示检验法DW检验法高阶自相关检验方法,33,一、图示检验法,图示法是一种直观的诊断方法，它是把给定的回归模直接用普通最小二乘法估计参数，求出残差项，作为随机项的真实估计值，再描绘的散点图，根据散点图来判断的相关性。残差的散点图通常有两种绘制方式。,34,35,36,按照时间顺序绘制回归残差项的图形。如果随着的变化逐次有规律地变化，呈现锯齿形或循环形状的变化，就可断言存在相关，表明存在着自相关；如果随着的变化逐次变化并不断地改变符号，那么随机误差项存在负自相关,37,38,二、DW检验法,DW检验是J.Durbin(杜宾)和G.S.Watson(沃特森)于1951年提出的一种适用于小样本的检验方法。DW检验只能用于检验随机误差项具有一阶自回归形式的自相关问题。这种检验方法是建立经济计量模型中最常用的方法，一般的计算机软件都可以计算出DW值。,39,40,41,42,由上述讨论可知DW的取值范围为：0DW根据样本容量和解释变量的数目(不包括常数项)查DW分布表，得临界值和，然后依下列准则考察计算得到的DW值，以决定模型的自相关状态。,43,DW检验决策规则,44,用坐标图更直观表示DW检验规则：,45,1.偏相关系数检验【命令方式】IDENTRESID【菜单方式】在方程窗口中点击ViewResidualTestCorrelogram-Q-statistics屏幕将直接输出et与et-1,et-2et-p（p是事先指定的滞后期长度）的相关系数和偏相关系数。,三、高阶自相关检验,2.布罗斯戈弗雷（BreuschGodfrey）检验,对于模型yt=b0+b1x1t+b2x2t+bkxkt+t设自相关形式为：t=1t-1+2t-2+pt-p+t假设H0：1=2=p=0利用OLS法估计模型，得到et；将et关于所有解释变量和残差的滞后值et-1,et-2et-p进行回归，并计算出其R2；,在大样本情况下，有nR22(p)给定，若nR2大于临界值，拒绝H0。,EViews软件操作：在方程窗口中点击ViewResidualTestSerialCorrelationLMTest。滞后期的长度确定：一般是从低阶的p（p=1）开始，直到p=10左右，若未能得到显著的检验结果，可以认为不存在自相关性。,【例】中国城乡居民储蓄存款模型（自相关性检验）。教材P89表3-2列出了我国城乡居民储蓄存款年底余额（单位：亿元）和国内生产总值指数（1978年=100）的历年统计资料，试建立居民储蓄存款模型，并检验模型的自相关性。,(1)SCATXY,为曲线相关，所以函数形式初步确定为：双对数模型、指数曲线模型、二次多项式模型。,(2)估计并选择模型,GENRLNY=LOG(Y)GENRLNX=LOG(X)GENRX2=X2LSLNYCXLSYCXX2LSLNYCLNX经过比较，取双对数模型，估计结果为：,对应的标准差,对应的R2值,调整的R2值,对应的DW值,(3)检验自相关性,残差图分析：残差图表明呈现有规律的波动。D-W检验：n=21，k=1，=0.05时，查表得dL=1.22，dU=1.42，而00.5,BG检验：在方程窗口中点击ViewResidualTestSerialCorrelationLMTest，选择滞后期为2，屏幕将显示信息（右图),nR2=210.54309,临界概率,55,第四节自相关的补救,本节基本内容:广义差分法自相关系数估计方法广义差分法的软件实现,56,一、广义差分法,对于自相关的结构已知的情形可采用广义差分法解决。由于随机误差项是不可观测的，通常我们假定为一阶自回归形式，即其中:，为经典误差项。,57,58,59,对模型使用普通最小二乘估计就会得到参数估计的最佳线性无偏估计量。这称为广义差分方程，因为被解释变量与解释变量均为现期值减去前期值的一部分，由此而得名。,60,（一）近似估计法在大样本(n30)情况下，DW2（1-），所以，,对于小样本(ndU，说明广义差分模型中已无自相关。同时，可决系数R2、t、F统计量均达到理想水平。,t=（0.9923）（14.7401）R2=0.9157F=217.2695DW=1.3243式中，,，,。,（0.0796）,75,由差分方程可知：由此，我们得到最终的中国农村居民消费模型：由模型(6.49)的中国农村居民消费模型可知，中国农村居民的边际消费倾向为0.7309，即中国农民每增加收入1元，将平均增加消费支出0.7309元。,最终模型结果,Yt=41.9271+0.7309Xt,76,本章小结,1.当总体回归模型的随机误差项在不同观测点上彼此相关时就产生了自相关问题。2.自相关的出现有多种原因。时间序列的惯性、模型设定错误、数据的处理等等。3.在出现自相关时，普通最小二乘估计量依然是无偏、一致的，但不再是有效的。通常的t检验和F检验都不能有效地使用。,77,4.为了研究问题的方便和考虑实际问题的代表意义，我们通常将自相关设定为一阶自相关即AR(1)模式。用一阶自相关系数表示自相关的程度与方向。当然，实际问题也存在AR(m)模式或其它模式。5.由于是不可观测的，通常我们使用的估计量判断的特性。我们可通过的图形判断自相关的存在，也可使用依据计算的DW统计量判断自相关的存在。,78,6.如果自相关系数是已知的，我们可以使用广义差分法消除序列相关。7.如果自相关系数是未知的，我们可采用科克伦奥克特迭代法求得的估计值，然后用广义差分法消除序列相关。,79,THANKS,第六章结束了！,