文章目录
Lecture 5 自相关
更详细的时间序列的自相关放在7.2 单变量均值回归模型
5.1 自相关定义
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(不同的样本个体或者不同的时间点)上的误差项彼此相关。
如果存在 E ( μ i μ j ) ≠ 0 \mathrm{E}(\mu_i\mu_j)\ne 0 E(μiμj)=0,就说明存在序列相关性;如果仅有 E ( μ i μ i + 1 ) ≠ 0 \mathrm{E}(\mu_i\mu_{i+1})\ne 0 E(μiμi+1)=0,就说明存在一阶序列相关/自相关。
自相关可以写成如下形式:
μ t = ρ μ t − 1 + ϵ t \mu_t=\rho\mu_{t-1}+\epsilon_t μt=ρμt−1+ϵt
ρ \rho ρ被成为一阶自相关系数/自协方差系数, − 1 < ρ < 1 -1<\rho<1 −1<ρ<1;
ϵ t \epsilon_t ϵt是满足标准最小二乘回归假定的随机干扰项(经典误差项),即零均值、同方差、序列不相关
5.2 自相关的产生原因
-
经济变量固有的惯性
例如消费习惯的影响经常被包含在随机误差项中,随机误差项可能出现序列正相关。
-
模型的设定偏误
遗漏了重要解释变量或函数形式设定偏误
内生性问题也可能来源于重要解释变量的遗漏,内生性是随机误差项与解释变量相关
-
数据处理造成的相关
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。
5.3 自相关的后果
本质后果:存在自相关的情况下,OLS低估了参数估计量的方差,随机干扰项的方差也被低估;
在一阶自相关 X t = ρ X t − 1 + μ t X_{t}=\rho X_{t-1}+\mu_t Xt=ρXt−1+μt假定下,参数估计量实际的方差是大于估计结果的:
V a r ( β ^ 1 ) = σ 2 ∑ x t 2 + 2 σ 2 ∑ x t 2 [ ρ ∑ t = 1 T − 1 x t x t + 1 ∑ x t 2 + ρ 2 ∑ t = 2 T − 2 x t x t + 2 ∑ x t 2 + ⋯ + ρ T − 1 x 1 x T ∑ x t 2 ] > σ 2 ∑ x t 2 ( 忽 略 异 方 差 问 题 , 计 算 出 的 参 数 的 方 差 ) . \mathrm{Var}(\hat\beta_1)=\frac{\sigma^2}{\sum x_t^2}+\frac{2\sigma^2}{\sum x_t^2}\left[\rho\frac{\sum\limits_{t=1}^{T-1}x_tx_{t+1}}{\sum x_t^2}+\rho^2\frac{\sum\limits_{t=2}^{T-2}x_tx_{t+2}}{\sum x_t^2}+\cdots+\rho_{T-1}\frac{x_1x_{T}}{\sum x_t^2} \right]>\frac{\sigma^2}{\sum x_t^2}(忽略异方差问题,计算出的参数的方差). Var(β^1)=∑xt2σ2+∑xt22σ2⎣⎢⎢⎡ρ∑xt2t=1∑T−1xtxt+1+ρ2∑xt2t=2∑T−2xtxt+2+⋯+ρT−1∑xt2x1xT⎦⎥⎥⎤>∑xt2σ2(忽略异方差问题,计算出的参数的方差).
-
参数估计量仍未无偏估计,但非有效估计,因为方差扩大了。而 OLS 在计算参数方差时假设无自相关,即 认为 ρ = 0 \rho=0 ρ=0,此时实际方差被低估。
-
对模型的检验失去意义。由于 OLS 低估了真实方差,因此,t值被高估(更容易通过显著性检验),t检验、F检验和拟合优度检验都失效。
t = β ^ j − β j S β ^ j t=\frac{\hat\beta_j-\beta_j}{S_{\hat\beta_j}} t=Sβ^j