【中级计量经济学】Lecture 5 自相关

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$\mathrm{E}({\mu }_i{\mu }_j)\ne 0$，就说明存在序列相关性；如果仅有$\mathrm{E}({\mu }_i{\mu }_{i+1})\ne 0$，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：
$${\mu }_t=\rho {\mu }_{t-1}+{ϵ}_t$$
$\rho$被成为一阶自相关系数/自协方差系数，$-1<\rho <1$;
${ϵ}_t$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

1. 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。

2. 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

3. 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$X_t=\rho X_{t-1}+{\mu }_t$假定下，参数估计量实际的方差是大于估计结果的：
$$\mathrm{V}\mathrm{a}\mathrm{r}({\hat{\beta }}_1)=\frac{{\sigma }^2}{\sum x_t^2}+\frac{2{\sigma }^2}{\sum x_t^2}\left[\rho \frac{\sum _{t=1}^{T-1}{x}_t{x}_{t+1}}{\sum x_t^2}+{\rho }^2\frac{\sum _{t=2}^{T-2}{x}_t{x}_{t+2}}{\sum x_t^2}+\cdots +{\rho }_{T-1}\frac{x_1{x}_T}{\sum x_t^2}\right]>\frac{{\sigma }^2}{\sum x_t^2}（忽略异方差问题，计算出的参数的方差）.$$

• 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$\rho =0$，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。
  $$t=\frac{}{S_{{\hat{\beta }}_j}}$$