更多CFA官方教材详解,请关注“边际实验室”。
“边际实验室”是一家专注于金融科技、金融大数据领域的工作室,同时提供CFA、FRM等金融考试内容的免费讲解。
序列相关
与异方差相比,一个更常见、更严重的问题是违反了回归误差在各个观察值之间不相关的假设。我们如果试图解释多个时期内数据的特定关系,可能会存在风险,因为金融回归模型中的错误通常与时间相关。
当回归残差与各个观察值之间存在相关关系时,我们说它们是序列相关的(或自相关的)。序列相关经常出现在时间序列回归中。在本节中,我们讨论序列相关的几个方面:
它对统计推断的影响,对其进行检验以及修正的方法。
序列相关的后果
与异方差一样,线性回归中由序列相关引起的主要问题是统计软件包计算出的回归系数标准误结果是错误的。只要自变量不是因变量(前一个周期的因变量的值)的滞后值,估计的参数本身将是一致的,无需针对序列相关的影响进行调整。但是,如果其中一个自变量是因变量的滞后值(例如,上个月的国债收益是费雪效应回归中的自变量),则残差中的序列相关将导致线性回归的所有参数估计值都不一致,因此它们不是真实参数的有效估计值。
在我们之前的案例中,没有一个回归的自变量是因变量的滞后值。因此,在这些回归中,序列相关的任何影响都会出现在回归系数的标准误中。接下来,我们将对正序列相关进行讲解,这种情况非常普遍。正序列相关是序列相关的一种,一个观测值的正向误差增加了另一观测值正向误差的概率。正序列相关还意味着一个观测值出现负向误差会增加另一观测值出现负向误差的概率。在检验正序列相关时,我们通常假设序列相关的形式为一阶序列相关,或相邻观测值序列