一阶广义差分模型_广义差分法和自相关系数估计.ppt

广义差分法和自相关系数估计

2. 广义差分法 广义差分法是将原模型变换为满足OLS法的差分模型，再进行OLS估计。 称(3)式为广义差分变换。(2)式可表示为： (4) 其中： (4)式是经广义差分变换得到的模型，称为广义差分模型。 变换后扰动项满足基本假定，故对(4)式作OLS回归，得估 计值 、 ，进而得到： 此法称广义差分估计法。 在(3)式中，若 ，则(3)式变为： (5) 此时(5)式称为差分变换。只要 ，则 ， 就可以用一阶差分法对模型进行变换。 3.自相关系数 的估计 应用广义最小二乘法或广义差分法，必须已知随机误差项的相关系数?1， ?2， … ， ?p 。 实际上u的不可观测性使得?值未知，所以必须首先对它们进行估计，然后再用广义差分法。 常用的估计方法有： 利用DW统计量 科克伦-奥科特(Cochrane-Orcutt)迭代法 杜宾(durbin)两步法 (1)利用DW统计量求 ，再用广义差分法估计模型。 大样本下，有： ， 得近似估计： 小样本下，有： 其中：k为解释变量个数。当n ∞时, 若 是 的估计， 为 、 的相关系数，则 、 的相关系数可作为 的近似估计： (2)科克伦-奥科特迭代法 ④利用 建立一阶差分函数 ⑤广义差分变换后对广义差分模型作OLS估计，并检验残差序列 ( 的第一次估计值)的自相关性。 如果无自相关，则计算结束，求出 。 如果有自相关，则继续计算求出 的第二次(或下一次)估计值，即求出： ⑥将 代入原模型中，得新的一阶差分函数 这样经反复计算估计⑤、⑥式，类似地，可进行第三次、第四次迭代。可求得若干 的估计值，直到 的估计值满足给定的精度为止。 关于迭代的次数，可根据具体的问题来定。 一般是事先给出一个精度，当相邻两次?1，?2， ? ，?p 的估计值之差小于这一精度时，迭代终止。 实践中，有时只要迭代两次，就可得到较满意的结果。两次迭代过程也被称为科克伦—奥科特两步法。 经过这种反复计算得到的 的估计值一般具有较高精度，对自相关的修正效果较好。 (3)杜宾(durbin)两步法 设一元回归模型 存在一阶自相关 其中 满足基本假定的扰动项。 第一步， ①先对模型进行广义差分变换模型，得： ②整理得： 这是一个满足基本假定的三元线性回归模型，其中解释变量 的回归系数恰好是 。 ③对此模型进行OLS估计得 的估计值，即： LS Y C Y(-1) X X(-1) 可得到 的估计值 。 第二步，再用 的估计值 对原模型进行广义差分变换，并估计广义差分模型(见前面广义差分)。 此法称为Durbin两步估计法。 此法适用于多元线性回归模型。 Durbin两步估计法不但求出了自相关系数 的估计值 ，而且也得出了模型参数的估计值，因此它是一种简单而行之有效的方法。 在Eviews中，广义差分采用了科克伦-奥科特(Cochrane-Orcutt)迭代法估计?。 在解释变量中引入AR(1)、AR(2)、…，即可得到参数和ρ1、ρ2、…的估计值。 其中AR(m)表示随机误差项的m阶自回归。在估计过程中自动完成了ρ1、ρ2、…的迭代。 Eviews广义差分法估计的具体步骤： (1)用OLS估计模型 (2)用LM确定自相关类型 (3)用广义差分估计模型。若自相关为二阶自相关形式，则有命令： LS Y C X AR(1) AR(2) 得ρ的估计值，根据AR项的t值是否显著，可进一步确定自相关的具体形式。 迭代控制：默认迭代次数