计量经济学自相关matlab,第七章 自相关(计量经济学)

《第七章 自相关(计量经济学)》由会员分享，可在线阅读，更多相关《第七章 自相关(计量经济学)(56页珍藏版)》请在人人文库网上搜索。

1、自相关SerialCorrelation，1，自相关2，自相关结果3，自相关4，带自相关模型的估计5，案例，模型中的随机误差项违反彼此独立的基本假设时称为自相关。OLS(一般最小平方)要求计量模型中的随机误差项目彼此独立或未与系列关联。第一，自相关，1，自相关的概念，对于其他采样点，随机误差项之间不再相关，但如果有任何相关，则认为是自相关的。称为初级自相关或自相关。这是最常见的自相关问题类型。自相关可以记录在coefficientofautocovariance中，也可以记录在第一阶自相关系数中。2，自相关的原因，(1)惯性大部分经济时间数据具有其惯性的明显特征。GDP、价格指数、生产、就业和。

2、失业等时间序列处于周期性恢复阶段，大部分经济序列呈上升趋势，其顺序是每一时刻的值都高于前一时刻的值，并有持续这一趋势的内在动力，直到出现一定的情况(如利率或征税的上升)。(2)设置错误：模型缺少重要变量。例如，牛肉需求的正确模型必须是yt=0 1x1t 2x2t 3x3t，其中：Y=牛肉需求，X1=牛肉价格，X2=消费者收益，X3=猪肉价格。如果模型设定为Yt=0 1X1t 2X2t vt，则该型式中的任何错误项目实际上为vt=3x3t。因此，猪肉价格影响牛肉消费的情况下，由于这些模型设置的错误，随机项目中重要的系统影响因素往往具有相关性。(3)设置错误：函数形式不正确。例如，边际成本模型必须。

3、为Yt=0 1Xt 2Xt2 t，其中：Y=边际成本，X=输出。但是，建模将设置模型Yt=0 1Xt vt。因此，随机项也表示自相关，因为vt=2Xt2 t包含输出的平方对随机项的系统影响。(4)蛛网现象，例如农产品供应的价格反映本身就有延迟期。供应t=0 1价格t-1 t意味着农民可能因年度t的超量生产(该期间价格下降)而导致年度t 1点产量减少，因此不能期望随机干扰项目是随机的，经常会出现蛛网模式。(5)数据的“操作”。例如，季度数据来自每月数据的简单平均值，这种平均计算减少了每月数据的波动，引入了数据的平滑性，这种平滑性本身可以在干扰项中引发系统因素以表示自相关。另外，两个时间点之间的“。

4、插值”技术常常导致随机项的自相关。第二，自相关的结果，1，参数估计无效，OLS参数估计仍然没有无偏OLS估计有效，在大样本中，参数估计没有渐近有效性。也就是说，如果参数估计不一致，2，变量的重要性测试没有意义，在变量的重要性测试中有磁性关系时，参数的OLS估计量的方差增大，标准差增大，实际t统计数据变小，因此，如果原始i=0假定的可能性增大，测试就没有意义了。使用其他检查也是一样。3，模型的预测失败，间隔预测与参数估计的方差相关，方差有误差时，预测估计不准确，预测准确度差。因此，如果模型表示相关性，则预测功能失败。第三，自相关测试，第一，基本思想，自相关测试方法有很多，但基本思想是相同的。首先。

5、利用一般最小二乘估计模型得出随机误差项的“近似估计”，然后分析这些“近似估计”之间的相关性，达到判断随机误差项是否具有自相关性的目的。2，图形方法，2，分析方法，(1)回归检查方法，特定应用需要迭代试算。回归检验法的优点是，如果确认模型的存在自相关性，就会一起知道相关形式。适用于所有类型的自相关问题测试。各方程的估计和重要性测试，有特定的函数形式，表明方程显著成立时，原始模型的自相关性。(2)杜宾-沃森检验法，D-W检验法是杜宾(J.Durbin)和沃森于1951年提出的一系列自相关法该方法的假设条件说明，(1)变量x不是随机的。(2)随机误差项I是一阶自回归形式。在i=i-1 i(3)回归模。

6、型中，延迟变量不应包含为解释变量。也就是说，y=0 1x1i kkki yi-1 I (4)包含回归切片：(5)没有缺少的数据。d.w .与指定样本中出现的x值具有复杂关系的统计信息，很难获得准确的分布。但是，无论如何解释变量的x值，Durbin和Watson都成功地派生了示例的容量n和解释变量数k的下限dL和上限dU。检查阶段根据示例容量n和分析变量数k chad.w .分布表计算阈值dL和dU，并根据以下准则检查计算的d.w .值以确定模型的自相关状态：D.w .值约为2时，模型没有一阶自相关。完全一阶正相关，即=1时，D.W.0是完全一阶负相关，即=-1时，D.W.4完全不相关，即=0时。

7、，D.W.2，(1)从判断标准来看，这种检查方法的大缺陷是不确定的D.W .(2) d.w .检验只能检验一级自相关，但在实际计量经济学问题上，一级自相关是发生次数最多的一类自相关；(3)经验表明，如果没有主自相关，通常连主自相关也不存在。(。因此，在实际应用中，通常只对自相关问题进行d.w .测试。注：第四，具有自相关模型的估计，如果模型被确定为自相关，则必须开发新的方法估计模型。最常用的方法是广义最小二乘法(gls : generalizedleastsquares)、一阶差分法(First-OrderDifference)和广义差分法(GeneralizedDifference)，1，广。

8、义最小二乘法，模型Y=XB N(2.5.7)存在自相关和方差，即D-1左乘法(2.5.7)的两侧都有=DD的新模型。D-1Y=D-1XB D-1N(2.5.8)，即Y*=X*B N*，此模型中的相对偏差和随机误差项相互独立。因此，可以使用OLS方法估计模型(2.5.8)，(2.5.9)，这是原始模型(2.5.7)的广义最小二乘估计(GLSestimators)，是有效的无偏估计。如何得到矩阵？对于原始模型(2 . 5 . 7 . 7)，仍首先使用一般最小二乘法获得随机误差项的近似估计量，这是矩阵估计量，即在可行的广义最小二乘(FGS，feasiblegeneralizedleastsquare。

9、s)文献中找到可以作为一般术语使用的方法时，求出得到的估计量。如果原始模型具有完全主正的磁相关，则i=i-1 I到=1。(2.5.10)可转换：由于I=1xi I不相关，因此此差异模型满足应用OLS方法的基本假设，并使用OLS方法估计原始模型参数的无偏有效估计量。3，广义差分法，模型(2.5.12)是无自相关问题的广义差分模型。使用OLS方法可以估计原始模型参数的无偏、有效估计量。广义差分法可以克服所有类型的自相关引起的问题。主要差异方法是那种特殊情况。4，随机误差项相关系数估计，应用广义差分方法，需要知道不同样本点之间的随机误差项相关系数1，2，l。实际上，人们不知道那些具体的数字，所以首先。

10、要估计它们。一般方法如下：(1)科克伦-奥科特迭代法。(2) durbin (durbin)第二阶段，(1)cooklan-ocot迭代方法，首先使用OLS方法估计从原始模型Yi=0 1Xi中获得的随机错误条目的“近似值”，然后使用OLS方法作为观测值，如下i=1i同样，可以第三次、第四次重复。迭代次数可能因特定问题而异。通常，如果1，2，l的估计差值小于此精度，则预先提供结束迭代的精度。实际上，有时重复两次也能得到更满意的结果。两次重复的过程也被称为科克伦奥科特的第二阶段过程。(2) durbin仍然是一种两阶段方法，首先估计1，2，l，然后估计差异模型。5，Eview/TSP封装下的广义差分方法使用焦炭K在分析变量中引入AR(1)、AR(2)、可以获得参数和1、2、的估计值。其中AR(m)表示随机错误项目的m阶自动回归。1，2，的迭代在估计过程中自动执行。6、虚假自相关问题。随机项目的自相关往往在模型设置中遗漏重要的解释变量，或错误地设置模型的函数形状，因此这种情况可以称为假自相关，必须从模型设置中排除。避免具有虚假相关性的方法是，首先创建“一般”模型，然后逐渐删除明显不重要的变量。5，案例：区域商品出口模式，1，区域商品出口总额和国内生产总值数据，2，自相关检验，(2) d.w .检验，5%重要性级别，n=19，k=2。