1、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
2、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（auto correlation），又称序列相关（serial correlation）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。古典假定中假设随机误差项是不相关的，即:如果该假定不能满足则称存在着自相关。自相关的程度用自相关系数表示。,7,一阶自相关系数,自相关系数 的定义与普通相关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
3、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
4、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
5、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,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（Spatial auto correlation）。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。,16,三、自相关的表现形式,自相关的性质可以用自相关系数的符号判断即 为负相关，为正相关。当 接近1时，表示相关的程度很高。,17,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 ，
6、如果自相关形式为其中 为自相关系数， 为满足古典假定的误差项，即则此式称为一阶自回归形式，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,18,第二节 自相关的后果,本节基本内容:一阶自回归形式的性质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,19,对于一元线性回归模型:假定随机误差项 存在一阶自相关:其中， 为现期随机误差， 为前期随机误差。是经典误差项，满足零均值 ，同方差 ，无自相关 的假定。,一、一阶自回归形式的性质,20,将随机误差项 的各期滞后值:逐次代入可得:这表明随机误差项 可表示为独立同分布的随机误差
7、序列 的加权和，权数分别为 。当 时，这些权数是随时间推移而呈几何衰减的； 而当 时，这些权数是随时间推移而交错振荡衰减的。,21,可以推得:表明，在 为一阶自回归的相关形式时，随机误差 依然是零均值、同方差的误差项。,22,23,以此类推，可得 :这些协方差分别称为随机误差项 的一阶自协方差、二阶自协方差和 阶自协方差。,24,二、对参数估计的影响,1、参数估计仍然是无偏的。 2、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 。可以证明：,3、 将低估真实的 ，这将使参数估计值的方差被进一步低估。可以证明：,26,三、对模型检验的影响,当存在自相关时，如果忽视自相关问题，仍
8、然用OLS去估计参数及其方差，会低估真实的 ，更会低估参数估计值的方差。由于对参数显著性检验的t统计量为当参数估计值的方差被低估时，其标准误 也将被低估，从而高估t统计量的值，会夸大参数的显著性，通常的回归系统显著性的t检验将是无效的。,27,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R2检验不再可靠。,28,四、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扰动项的方差 。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
9、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。,29,第三节 自相关的检验,本节基本内容: 图示检验法 DW检验法,30,一、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型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，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 。,31,与 的关系,1.绘制 的散点图。用 作为散布点绘图，如果大部分点落在第、象限，表明随机误差项 存在着正自相关。,32,33,二、对模型检验的影响,2.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
10、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,34,35,二、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。,DW检验法的前提条件： 1）解释变量X为非随机的； 2）随机误差项为一阶自回归形式：3）线性模型的解释变量中不包含滞后的被解释变量； 4）截距项不为零，即只适用于有常数项的回归模型。
11、 5）数据序列无缺失。,37,为了检验序列的相关性，构造的原假设是：为了检验上述假设，构造DW统计量。首先要求出回归估计式的残差 。定义DW统计量为 ：,38,39,40,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。,41,DW检验决策规则,42,用坐标图更直观表示DW检验规则：,43,44,第四节 自相关的补救,本节基本内容:广义差分法科克伦奥克特迭代法其他方法简介,45,一、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
12、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。 以一元线性回归模型为例说明广义差分法的应用。,46,47,48,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。,49,50,二、Cochrane Orcutt迭代法,在实际应用中,自相关系数 往往是未知的， 必须通过一定的方法估计。最简单的方法是据DW统计量估计 。由DW 与 的关系可知 :但是, 是对 精度不高的估计。为了得到 的精确的估计值 ，通常采用科克伦奥克特（CochraneOrcutt）迭代法。,51,该方
13、法利用残差 去估计未知的 。对于一元线性回归模型假定 为一阶自回归形式，即 :,52,科克伦奥克特迭代法估计 的步骤如下： 1.使用普遍最小二乘法估计模型并获得残差： 2.利用残差 做如下的回归,53,3. 利用 ，对模型进行广义差分，即 令使用普通最小二乘法，可得样本回归函数为：,54,4. 由前一步估计的结果有：将 代入原回归方程,求得新的残差如下：,和,55,如果不能确认 是否是 的最佳估计值，还要继续估计 的第三轮估计值 。当估计的 与 相差很小时，就找到了 的最佳估计值。,5. 利用残差 做如下的回归这里得到的 就是 的第二轮估计值,56,57,（二）德宾两步法 当自相关系数未知时，
14、也可采用德宾提出的两步法，消除自相关。将广义差分方程表示为：,58,59,研究范围：中国农村居民收入消费模型 （1985-2007） 研究目的：消费模型是研究居民消费行为的工具和手段。通过消费模型的分析可判断居民消费边际消费倾向，而边际消费倾向是宏观经济系统中的重要参数。 建立模型居民消费， 居民收入， 随机误差项。 数据收集：19852007年农村居民人均收入和消费 (见表6.3),第五节 案例分析,60,据表6.3的数据使用普通最小二乘法估计消费模型得：该回归方程可决系数较高，回归系数均显著。对样本量为23、一个解释变量的模型、5%显著水平，查DW统计表可知， dL=1.018，dU=1.
15、187，模型中 ， 显然消费模型中有自相关。这也可从残差图中看出，点击EViews方程输出窗口的按钮Resids可得到残差图，如图6.6所示。,模型的建立、估计与检验,Se = (14.5622) (0.0219)t = (3.8604) (31.9690) R2 = 0.9799 F = 1022.016 DW = 0.4102,61,残差图,62,自相关问题的处理,使用科克伦奥克特的两步法解决自相关问题:由模型可得残差序列 ，在EViews中，每次回归的残差存放在resid序列中，为了对残差进行回归分析，需生成命名为 的残差序列。在主菜单选择Quick/Generate Series 或点
16、击工作文件窗口工具栏中的Procs/GenerateSeries，在弹出的对话框中输入 ，点击OK得到残差序列 。使用 进行滞后一期的自回归，在EViews 命今栏中输入ls e e(-1)可得回归方程：et= 0.8148 et-1,63,可知 ，对原模型进行广义差分，得到广义差分方程：对广义差分方程进行回归，在EViews命令栏中输入 ls Y-0.8148*Y (-1) c X-0.8148*X (-1) ， 回车后可得方程输出结果如表6.4。,=0.8148,64,广义差分方程输出结果,65,由表6.4可得回归方程为： 由于使用了广义差分数据，样本容量减少了1个，为22个。查5%显著水
17、平的DW统计表可知dL = 0.997，dU = 1.174，模型中DW = 1.3979 dU， 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 = 0.9157 F = 217.2695 DW = 1.3243 式中，,，,。,（0.0796）,66,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,Y t = 41.9271+0.730
18、9 X t,67,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。,68,4.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。,69,6.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。,70,THANKS,第六章 结 束 了！,
