7.序列相关问题解说.pptVIP

据此判断得 ? DW ut的表现 ? = 0 DW = 2 ut 非自相关 ? = 1 DW = 0 ut完全正自相关 ? = -1 DW = 4 ut完全负自相关 0 ? 1 0 DW 2 ut有某种程度的正自相关 -1 ? 0 2 DW 4 ut有某种程度的负自相关 4 2 0 无法判定 无法判定 4 2 0 无法判定 无法判定 注意： 3.拉格朗日乘数（Lagrange Mutiplier）检验 LM检验（又称GB检验）主要是通过建立如下辅助回归模型： 1.广义最小二乘方法（GLS） GLS是最普遍意义的最小二乘估计，在这种意义下，OLS 和 WLS 都是GLS 的 特例。 S4.2.4 解决带有序列相关的线性模型的参数估计问题 GLS 本质上仍然是通过模型变换，得到 一个新的随机误差项满足无序列相关性的线性回 归模型。 具体如下： 对新模型可以利用OLS 以上是理论推导。 实际当中是这样来处理的。 2.广义差分法 注意：作差分模型时，会损失 p 个样本观测值， ３.随机干扰项相关系数的估计 （１）科克伦－奥科特迭代法 (又名迭代法) （２）杜宾两步法 另有：有哪些信誉好的足球投注网站估计法。 可行的广义最小二乘估计量。（Feasible general least squares ） 注意：FGLS 估计量不再具有无偏性 和有效性。 虚假序列相关：建立的模型中漏掉了重要的解释变量，导致的模型产生序列相关。 先建立 一个包含所有可能相关变量作为解释变量的一般模型，然后通过变量显著性 t 检验，逐步剔除不显著的解释变量。 作业 ： P134第2题 S4.2 序列相关性（serial correlation） 序列相关性；随机误差项不满足无序列相关性 S4.2.1 序列相关性定义 序列相关性又称自相关性（autocorrelation）。 注意：（1）经济问题中的自相关主要表现为正自相关。（2）自相关多发生于时间序列数据。 自相关产生的原因： （1）模型的数学模型不妥。所建立的数学模型与变量间的真实关系不一致，误差项表现出自相关。 （2）惯性（inertia）。因为大多数经济时间序列数据往往受滞后值的影响，如国民生产总值、固定资产投资、国民消费、物价指数等都随时间缓慢变化，突出特征是惯性和低灵敏度。 （3）回归模型中漏掉了带有自相关的重要解释变量。 S4.2.2 序列 相关带来的后果 S4.2.3序列相关性的检验 检验方法很多,但原理只有一个: 先利用 OLS 求出近似残差 ,用 来代替无法测量的随机误差 ,然后再分析诸残差 之间的相关关系,以此判定模型是否存在序列相关性. 检验方法: -3 -2 -1 0 1 2 3 10 20 30 40 50 60 70 80 90 100 非自相关的序列图 1.图示检验法. -4 -2 0 2 4 10 20 30 40 50 60 70 80 90 100 正自相关的序列图 正序列相关 负自相关的序列图 -6 -4 -2 0 2 4 6 10 20 30 40 50 60 70 80 90 100 (1)不存在序列相关性 -4 -2 0 2 4 -4 -2 0 2 4 (2)存在正序列相关性 -6 -4 -2 0 2 4 6 -6 -4 -2 0 2 4 6 (3)存在负序列相关性 -6 -4 -2 0 2 4 6 -6 -4 -2 0 2 4 6