自相关(序列相关性)新.pptVIP

第六章 自相关（序列相关性） 假定五：不同时期Xi与Xj对应的随机项ui与uj独立不相关 即Cov（ui，uj）=E（uiuj）=0 目的与要求：1. 什么叫自相关？ 2. 掌握自相关产生的原因 3. 理解自相关的估计后果 4. 掌握如何检验自相关 5. 掌握自相关的解决方法 ; 第一节 自相关（序列相关性）的概念 一、什么是自相关？ 1.自相关的概念 假定五不满足：即不同时期Xi与Xj对应的随机项ui与uj是相关的，即Cov（ui，uj）=E（ui ，uj）? 0(i≠j)，则称随机项u是自相关的;2. 统计数据的分类： （1）时间序列数据 ：在不同时点上取得一系列数据。容易产生自相关（序列相关） （2）横截面数据：在同一时点上的取值。容易产生 异方差性。 截面数据也可??在空间上排序，构成一系列。; 二 、 自相关（序列相关性）经济意义 1. u项自相关在计量经济学研究中是一种普遍现象 这是因为许多经济变量前后期值都是相关的，经济变量的序列相关性往往导致模型随机项自相关。 例题： 投资IPt与IP t-1相关、消费Ct与C t-1相关等。则 Ct=b0+b1Yt+ut 中u项可能出现自相关 再如：生产函数中： Yt= f（Lt、 Kt、T）+ut 中，u项如果包含政策变量的影响，则有可能出现自相关。; 2.自相关产生的原因 （1）随机项 ui 本身的自相关——“真自相关” 例如，一些随机因素：自然灾害、经济政策、战争等的影响往往会持续若干时期，造成随机项自相关 （2）模型设定不当，包括遗漏重要解释变量或错误确定模型的数学形式——“拟自相关” （ 3）数据处理不当造成的自相关 例如，对数据进行差分等变换，就可能产生自相关。;（4）研究的经济变量本身自相关：时间序列有一种持续性（惯性），既前后期相关。如作为被解释变量，其影响 将反映到随机项ui中。另外，被排除的解释变量的自相关也可能反映到ui中，引起ui 自相关。称为“拟自相关”。; 三、一阶自回归形式的自相关 1.一阶自回归形式： ut=f（u t-1） 2.一阶线性自回归形式：ut=?u t-1+vt 其中， 满足通常假定 可以证明：（1） （ 2） E（ut）=0 （3） （4）Cov（ut，u t-s）= ?s?u2 （s t） ; 四、自相关的后果 以 Yi= ? 0+ ? 1Xi+ui ut=?u t-1+vt 为例来说明， 其中， 所以， 即 Var（ ） ?u2 ; （一） OLS估计值方差增大 随机误差项不存在序列相关 在随机误差项存在序列相关性 ;（二） t检验， F检验失效 （三）预测精度降低;第二节 自相关的检验; 二、杜宾--瓦特森（Durbin--Waston）检验 简称， D--W检验 1.适用条件：（1） ut=?u t-1+vt ；（2）Xt与ut无关 （3）n较大(观测值大于15） 2. D--W检验的基本思想和步骤： （1）提出假设： H0： ?=0 H1： ? 0 （2）构造D--W统计量 记