文章目录
序列相关性
序列相关性的含义
对于截面数据类型，如果样本是独立随机抽取的（多元回归模型基本假设 MLR.2），则从理论上保证了模型的随机干扰项相互独立，不存在序列相关。如果模型的随机干扰项违背了相互独立的基本假设，则称为存在序列相关问题。
由于时间序列数据不可重复观测，因此以时间序列数据为样本，一般会破坏随机抽样的假定。根据实证分析的一般经验，时间序列数据也会同时伴随着异方差问题，即违背了基本假定 MLR.5 。
V a r ( u ) = E ( u u ′ ) = [ σ 2 σ 12 . . . σ 1 T σ 21 σ 2 . . . σ 2 T ⋮ ⋮ ⋱ ⋮ σ T 1 σ T 2 . . . σ 2 ] = σ 2 [ 1 ρ 12 . . . ρ 1 T ρ 21 1 . . . ρ 2 T ⋮ ⋮ ⋱ ⋮ ρ T 1 ρ T 2 . . . 1 ] = σ 2 Ω {\rm Var}(\boldsymbol{u})={\rm E}(\boldsymbol{uu'})=\left[ \begin{array}{cccc} \sigma^2 & \sigma_{12} & ... & \sigma_{1T} \\ \sigma_{21} & \sigma^2 & ... & \sigma_{2T} \\ \vdots & \vdots & \ddots & \vdots\\ \sigma_{T1} & \sigma_{T2} & ...& \sigma^2 \\ \end{array} \right] = \sigma^2 \left[ \begin{array}{cccc} 1 & \rho_{12} & ... & \rho_{1T} \\ \rho_{21} & 1 & ... & \rho_{2T} \\ \vdots & \vdots & \ddots & \vdots\\ \rho_{T1} & \rho_{T2} & ...& 1 \\ \end{array} \right] = \sigma^2\boldsymbol\Omega Var(u)=E(uu′)=⎣⎢⎢⎢⎡σ2σ21⋮σT1σ12σ2⋮σT2......⋱...σ1Tσ2T⋮σ2⎦⎥⎥⎥⎤=σ2⎣⎢⎢⎢⎡1ρ21⋮ρT1ρ121⋮ρT2......⋱...ρ1Tρ2T⋮1⎦⎥⎥⎥⎤=σ2Ω
序列相关性的产生原因
(1) 经济变量固有的惯性；
(2) 数据“编造”造成的相关；
(3) 模型设定偏误；
(4) 蛛网现象（农产品的供给）；
(5) 变量之间的影响本身具有滞后效应。
序列相关性的后果
序列相关性和异方差均是模型出现了非球形扰动的现象，它们对 OLS 的影响也具有相似性。因为在序列相关性下的模型仍然满足零条件均值，如果再满足解释变量是严格外生条件时，OLS 估计值是无偏和一致的。这里的严格外生条件指的是： t t t 时期的误差项 u t u_t ut 与每个时期的任何解释变量都无关。这个条件比 MLR.4 的零条件均值要求更强。
和异方差类似，序列相关性下的 OLS 估计量不再是 BLUE，主要影响包括以下几点：
- 参数估计量非有效；
- t t t 值被高估，相应的 F F F 检验与可决系数检验也变得不可靠；
- 模型的预测失效。
序列相关性的检验方法
图示法
由于随机干扰项不可直接观测，可以用 OLS 残差 e t e_t et 代替 u t u_t ut 。一般情况下我们可以绘制 e t e_t et - e t − 1 e_{t-1} et−1 散点图或绘制 e t e_t et - t t t 散点图来判断序列相关性的趋势。
回归检验法
以 e t e_t et 为被解释变量，以各种可能的 e t e_t et 的相关量，如 e t − 1 e_{t-1} et−1 ， e t − 2 e_{t-2} et−2 等为解释变量建立回归方程：
e t = ρ e t − 1 + ε t , e_t = \rho e_{t-1} + \varepsilon_t \ , et=ρet−1+εt ,
e t = ρ 1 e t − 1 + ρ 2 e t − 2 + ε t , e_t = \rho_1 e_{t-1} + \rho_2e_{t-2} + \varepsilon_t \ , et=ρ1et−1+ρ2et−2+εt ,
如果存在某一种函数形式，使得方程显著成立，则说明原模型存在序列相关性。回归检验法的优点是一旦确定了模型存在序列相关性，即可得到其相关的形式，适用于任何类型的序列相关问题的检验。
D W {\rm DW} DW 检验法
D W {\rm DW} DW 检验是 Durbin 和 Watson 提出的一种适用于小样本的检验方法。 D W {\rm DW} DW 检验只能用于检验随机误差项具有一阶自回归形式的自相关问题。这种检验方法是建立经济计量模型中最常用的方法，一般的计算机软件都可以计算出 D W {\rm DW} DW 值。
首先需要注意 D W {\rm DW} DW 检验的前提假定条件：
- 解释变量非随机；
- 随机误差项为 A R ( 1 ) {\rm AR}(1) AR(1) 形式： u t = ρ u t − 1 + ε t u_t=\rho u_{t-1}+\varepsilon_t ut=ρut−1+εt ；
- 模型含有截距项且不含有滞后被解释变量，如 Y t − 1 Y_{t-1} Yt−1 。
满足以上条件，我们可以对随机干扰项进行 D W {\rm DW} DW 检验，首先提出原假设 H 0 : ρ = 0 H_0:\rho=0 H0:ρ=0 ，即 u t u_t ut 不存在一阶自回归。为了检验上述假设，构造 D W {\rm DW} DW 统计量首先要求出回归估计式的残差 e t e_t et ，然后我们定义 D W {\rm DW} DW 统计量：
D W = ∑ t = 2 T ( e t − e t − 1 ) 2 ∑ t = 1 T e t 2 ≈ 2 ( 1 − ρ ^ ) {\rm DW}=\frac{\sum\limits_{t=2}^T(e_t-e_{t-1})^2}{\sum\limits_{t=1}^Te_t^2}\approx 2(1-\hat\rho) DW=t=1∑Tet2t=2∑T(et−et−1)2≈2(1−ρ^)
由上述讨论可知 D W {\rm DW} DW 的取值范围为： 0 ≤ D W ≤ 4 0\leq{\rm DW}\leq4 0≤DW≤4 。根据样本容量 T T T 和不含常数项的解释变量的个数 k k k 查 D W {\rm DW} DW 分布表，得临界值 d L d_L dL 和 d U d_U dU ，然后依下列准则考察计算得到的DW值，以决定模型的自相关状态。
| D W {\rm DW} DW 取值范围 | 检验决策规则 |
|---|---|
| 0 < D W < d L 0<{\rm DW}<d_L 0<DW<dL | 正自相关 |
| d L < D W < d U d_L<{\rm DW}<d_U dL<DW<dU | 不能确定 |
| d U < D W < 4 − d U d_U<{\rm DW}<4-d_U dU< |
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
