§ 4.2 序列相关性
Serial Correlation
一,序列相关性概念二、实际经济问题中的序列相关性三、序列相关性的后果四、序列相关性的检验五、具有序列相关性模型的估计六、案例
§ 4.2 序列相关性一、序列相关性概念如果对于不同的样本点,随机误差项之间不再是不相关的,而是存在某种相关性,则认为出现了 序列相关性 。
对于模型
Yi=?0+?1X1i+?2X2i+…+?kXki+?i i=1,2,…,n
随机项互不相关的基本假设表现为
Cov(?i,?j)=0 i?j,i,j=1,2,…,n
在其他假设仍成立的条件下,序列相关 即意味着
0)(?jiE
2
1
1
2
)(
)(
)()(
n
n
E
E
EC o v μμμ
2
1
1
2
n
n
IΩ 22
或称为 一阶列相关,或 自相关 ( autocorrelation)
其中,?被称为 自协方差系数 ( coefficient of
autocovariance) 或 一阶自相关系数 ( first-order
coefficient of autocorrelation)
i是满足以下标准的 OLS假定的随机干扰项:
如果仅存在
E(?i?i+1)?0 i=1,2,…,n
自相关 往往可写成如下形式,
i=i-1+?i -1<1
0)(?iE?,2)v a r (i,0),c o v ( sii 0?s
由于序列相关性经常出现在以时间序列为样本的模型中,
因此,本节将用下标 t代表 i。
二、实际经济问题中的序列相关性大多数经济时间数据都有一个明显的特点,惯性,
表现在时间序列不同时间的前后关联上。
由于 消费习惯 的影响被包含在随机误差项中,则可能出现序列相关性(往往是正相关 )。
例如,绝对收入假设 下 居民总消费函数模型,
Ct=?0+?1Yt+?t t=1,2,…,n
1,经济变量固有的惯性
2、模型设定的偏误所谓模型 设定偏误 ( Specification error)是指所设定的模型,不正确,。主要表现在模型中丢掉了重要的解释变量或模型函数形式有偏误。
例如,本来应该估计的模型为
Yt=?0+?1X1t+?2X2t +?3X3t +?t
但在模型设定中做了下述回归:
Yt=?0+?1X1t+?1X2t + vt
因此,vt=?3X3t +?t,如果 X3确实影响 Y,则出现 序列相关。
但建模时设立了如下模型:
Yt=?0+?1Xt+vt
因此,由于 vt=?2Xt2+?t,,包含了产出的平方对随机项的系统性影响,随机项也呈现序列相关性。
又如,如果真实的边际成本回归模型应为:
Yt=?0+?1Xt+?2Xt2+?t
其中,Y=边际成本,X=产出,
3、数据的,编造,
例如,季度数据 来自 月度数据 的简单平均,这种平均的计算减弱了每月数据的波动性,从而使随机干扰项出现序列相关。
还有就是两个时间点之间的,内插,技术往往导致随机项的序列相关性。
在实际经济问题中,有些数据是通过已知数据生成的。
因此,新生成的数据与原数据间就有了内在的联系,表现出序列相关性。
计量经济学模型一旦出现序列相关性,如果仍采用 OLS法估计模型参数,会产生下列不良后果:
二、序列相关性的后果
1、参数估计量非有效因为,在有效性证明中利用了
E(NN’)=?2I
即同方差性和互相独立性条件。
而且,在大样本情况下,参数估计量虽然具有一致性,但仍然不具有渐近有效性。
2、变量的显著性检验失去意义在变量的显著性检验中,统计量是建立在参数方差正确估计基础之上的,这只有当随机误差项具有同方差性和互相独立性时才能成立。
其他检验也是如此。
3,模型的预测失效区间预测与参数估计量的方差有关,在方差有偏误的情况下