本文介绍了滞后变量模型与自回归模型在经济学中的应用。滞后效应体现在解释变量对被解释变量的持续影响，滞后变量模型通过引入过去值来刻画这一现象。分布滞后模型和自回归模型是两种主要形式，前者关注解释变量的滞后效应，后者关注被解释变量的滞后影响。阿尔蒙法用于处理分布滞后模型的参数估计，通过多项式逼近减少参数数量。自适应预期模型和局部调整模型则分别考虑预期值和实际变化对模型的影响。在估计自回归模型时，需要处理自相关和内生性问题，工具变量法和德宾h-检验是常用解决手段。
分布滞后与自回归模型
1 滞后效应与滞后变量模型
1.1 什么是滞后效应
解释变量对被解释变量的影响可能存在持续性或滞后性，也就是说解释变量需要通过一段时间才能完全作用于被解释变量。由于经济活动的惯性，经济变量变化态势往往会延续到本期，形成被解释变量的当期变化同自身过去取值水平相关的情形。
1.2 滞后效应产生的原因
- 心理预期因素
- 技术因素
- 制度因素
1.3 滞后变量模型
滞后变量是指过去时期的、对当前被解释变量产生影响的变量。滞后变量可分为滞后解释变量与滞后被解释变量两类。把滞后变量引入回归模型，这种回归模型称为滞后变量模型。滞后变量模型的一般形式为
Y
t
=
α
+
β
0
X
t
+
β
1
X
t
−
1
+
β
2
X
t
−
2
+
⋯
+
β
s
X
t
−
s
+
γ
1
Y
t
−
1
+
γ
2
Y
t
−
2
+
⋯
+
γ
q
Y
t
−
q
+
u
t
\begin{array}{c} Y_{t}=\alpha+\beta_{0} X_{t}+\beta_{1} X_{t-1}+\beta_{2} X_{t-2}+\cdots+\beta_{s} X_{t-s} \\ +\gamma_{1} Y_{t-1}+\gamma_{2} Y_{t-2}+\cdots+\gamma_{q} Y_{t-q}+u_{t} \end{array}
Yt=α+β0Xt+β1Xt−1+β2Xt−2+⋯+βsXt−s+γ1Yt−1+γ2Yt−2+⋯+γqYt−q+ut
其中s、q 分别为滞后解释变量和滞后被解释变量的滞后期长度。根据滞后长度是否有划分为有限滞后变量模型和无限滞后变量模型。
1.31 分布滞后模型
滞后变量模型仅有滞后解释变量而无滞后被解释变量模型，即
Y
t
=
α
+
β
0
X
t
+
β
1
X
t
−
1
+
β
2
X
t
−
2
+
⋯
+
β
s
X
t
−
s
+
u
t
Y_{t}=\alpha+\beta_{0} X_{t}+\beta_{1} X_{t-1}+\beta_{2} X_{t-2}+\cdots+\beta_{s} X_{t-s}+u_{t}
Yt=α+β0Xt+β1Xt−1+β2Xt−2+⋯+βsXt−s+ut
其中
β
0
\beta_0
β0称为短期效应或短期乘数，表示本期
X
X
X变动一个单位对
Y
Y
Y的影响；
β
i
(
i
=
1
,
2
…
)
\beta_i(i=1,2\dots)
βi(i=1,2…)为延迟乘数或动态乘数，表示过去各期X 变动一个单位对
Y
Y
Y值的影响大小。
∑
i
s
β
i
\sum_i^s\beta_i
∑isβi称为长期乘数或总分布乘数。
1.32 自回归模型
滞后变量模型仅有滞后被解释变量与本期解释变量
X
t
X_t
Xt模型(可以不含
X
X
X)，即
Y
t
=
α
+
β
0
X
t
+
γ
1
Y
t
−
1
+
γ
2
Y
t
−
2
+
⋯
+
γ
q
Y
t
−
q
+
u
t
Y_{t}=\alpha+\beta_{0} X_{t}+\gamma_{1} Y_{t-1}+\gamma_{2} Y_{t-2}+\cdots+\gamma_{q} Y_{t-q}+u_{t}
Yt=α+β0Xt+γ1Yt−1+γ2Yt−2+⋯+γqYt−q+ut
称为自回归模型，其中
q
q
q为自回归阶数。
2 分布滞后模型的估计
2.1 分布滞后模型估计的问题
- 自由度问题：随着滞后阶数增加，需要估计的参数增多，样本容量一定时，自由度下降
- 多重共线性问题：滞后变量之间一般存在高度相关
- 滞后长度难以确定
2.2 经验加权估计法
对解释变量的系数赋予一定权数，利用这些权数构成各滞后变量的线性组合，以形成新的变量再应用最小二乘法进行估计。权数分布的确定取决于模型滞后结构的不同类型，常见的滞后结构类型有：
- 递减滞后结构：随着滞后阶数增加，权重递减
- 不变滞后结构：随着滞后阶数增加，权重不变
- Λ \Lambda Λ型滞后结构：随着滞后阶数增加，权重先增后减
评价
经验加权法具有简单易行、不损失自由度、避免多重共线性干扰及参数估计具有一致性等特点。但权数的主观随意性较大。
2.3 阿尔蒙法
为消除多重共线性的影响，阿尔蒙（Almon）提出利用多项式来逼近滞后参数的变化结构，从而减少待估参数的数目。在有限分布滞后模型滞后长度
s
s
s已知的情况下，滞后项系数可以看成是相应滞后期
i
i
i的函数。在以滞后期
i
i
i为横轴、滞后系数取值为纵轴的坐标系中，如果这些滞后系数落在一条光滑曲线上，或近似落在一条光滑曲线上，则可以由一个关于
i
i
i的次数较低的
m
m
m次多项式很好地逼近，即
β
i
=
α
0
+
α
1
i
+
α
2
i
2
+
⋯
+
α
m
i
m
i
=
0
,
1
,
2
,
⋯
,
s
;
m
<
s
\beta_{i}=\alpha_{0}+\alpha_{1} i+\alpha_{2} i^{2}+\cdots+\alpha_{m} i^{m} \quad i=0,1,2, \cdots, s ; \quad m<s
βi=α0+α1i+α2i2+⋯+αmimi=0,1,2,⋯,s;m<s
此式称为阿尔蒙多项式变换。具体地，
i
=
0
β
0
=
α
0
+
α
1
0
+
α
2
0
2
+
⋯
+
α
m
0
m
i
=
1
β
1
=
α
0
+
α
1
1
+
α
2
1
2
+
⋯
+
α
m
1
m
i
=
2
β
2
=
α
0
+
α
1
2
+
α
2
2
2
+
⋯
+
α
m
2
m
…
…
…
…
…
…
…
…
…
i
=
s
β
s
=
α
0
+
α
1
s
+
α
2
S
2
+
⋯
+
α
m
s
m
\begin{array}{cl} i=0 & \beta_{0}=\alpha_{0}+\alpha_{1} 0+\alpha_{2} 0^{2}+\cdots+\alpha_{m} 0^{m} \\ i=1 & \beta_{1}=\alpha_{0}+\alpha_{1} 1+\alpha_{2} 1^{2}+\cdots+\alpha_{m} 1^{m} \\ i=2 & \beta_{2}=\alpha_{0}+\alpha_{1} 2+\alpha_{2} 2^{2}+\cdots+\alpha_{m} 2^{m} \\ & \ldots \ldots \ldots \ldots \ldots \ldots \ldots \ldots \ldots \\ i=s & \beta_{s}=\alpha_{0}+\alpha_{1} s+\alpha_{2} S^{2}+\cdots+\alpha_{m} s^{m} \end{array}
i=0i=1i=2i=sβ0=α0+α10+α202+⋯+αm0mβ1=α0+α11+α212+⋯+αm1mβ2=α0+α12+α222+⋯+αm2m………………………βs=α0+α1s+α2S2+⋯+αmsm
代入模型
Y
t
=
α
+
β
0
X
t
+
β
1
X
t
−
1
+
β
2
X
t
−
2
+
⋯
+
β
s
X
t
−
s
+
u
t
Y_{t}=\alpha+\beta_{0} X_{t}+\beta_{1} X_{t-1}+\beta_{2} X_{t-2}+\cdots+\beta_{s} X_{t-s}+u_{t}
Yt=α+β0Xt+β1Xt−1+β2Xt−2+⋯+βsXt−s+ut并整理
Y
t
=
α
+
α
0
(
X
t
+
X
t
−
1
+
X
t
−
2
+
⋯
+
X
t
−
s
)
+
α
1
(
X
t
−
1
+
2
X
t
−
2
+
3
X
t
−
3
⋯
+
s
X
t
−
s
)
+
α
2
(
X
t
−
1
+
2
2
X
t
−
2
+
3
2
X
t
−
3
⋯
+
s
2
X
t
−
s
)
⋮
+
α
m
(
X
t
−
1
+
2
m
X
t
−
2
+
3
m
X
t
−
3
⋯
+
s
m
X
t
−
s
)
+
u
t
\begin{aligned} Y_{t}=\alpha &+\alpha_{0}\left(X_{t}+X_{t-1}+X_{t-2}+\cdots+X_{t-s}\right) \\ &+\alpha_{1}\left(X_{t-1}+2 X_{t-2}+3 X_{t-3} \cdots+s X_{t-s}\right) \\ &+\alpha_{2}\left(X_{t-1}+2^{2} X_{t-2}+3^{2} X_{t-3} \cdots+s^{2} X_{t-s}\right) \\ & \vdots \\ &+\alpha_{m}\left(X_{t-1}+2^{m} X_{t-2}+3^{m} X_{t-3} \cdots+s^{m} X_{t-s}\right) \\ &+u_{t} \end{aligned}
Yt=α+α0(Xt+Xt−1+Xt−2+⋯+Xt−s)+α1(Xt−1+2Xt−2+3Xt−3⋯+sXt−s)+α2(Xt−1+22Xt−2+32Xt−3⋯+s2Xt−s)⋮+αm(Xt−1+2mXt−2+3mXt−3⋯+smXt−s)+ut
即
Y
t
=
α
+
α
0
Z
0
t
+
α
1
Z
1
t
+
α
2
Z
2
t
+
⋯
+
α
m
Z
m
t
+
u
t
(1)
Y_{t}=\alpha+\alpha_{0} Z_{0 t}+\alpha_{1} Z_{1 t}+\alpha_{2} Z_{2 t}+\cdots+\alpha_{m} Z_{m t}+u_{t}\tag{1}
Yt=α+α0Z0t+α1Z1t+α2Z2t+⋯+αmZmt+ut(1)
其中
Z
0
t
=
X
t
+
X
t
−
1
+
X
t
−
2
+
⋯
+
X
t
−
s
Z
1
t
=
X
t
−
1
+
2
X
t
−
2
+
3
X
t
−
3
⋯
+
s
X
t
−
s
Z
2
t
=
X
t
−
1
+
2
2
X
t
−
2
+
3
2
X
t
−
3
⋯
+
s
2
X
t
−
s
⋮
Z
m
t
=
X
t
−
1
+
2
m
X
t
−
2
+
3
m
X
t
−
3
⋯
+
s
m
X
t
−
s
\begin{array}{l} Z_{0 t}=X_{t}+X_{t-1}+X_{t-2}+\cdots+X_{t-s} \\ Z_{1 t}=X_{t-1}+2 X_{t-2}+3 X_{t-3} \cdots+s X_{t-s} \\ Z_{2 t}=X_{t-1}+2^{2} X_{t-2}+3^{2} X_{t-3} \cdots+s^{2} X_{t-s} \\ \vdots \\ Z_{m t}=X_{t-1}+2^{m} X_{t-2}+3^{m} X_{t-3} \cdots+s^{m} X_{t-s} \end{array}
Z0t=Xt+Xt−1+Xt−2+⋯+Xt−sZ1t=Xt−1+2Xt−2+3Xt−3⋯+sXt−sZ2t=Xt−1+22Xt−2+32Xt−3⋯+s2Xt−s⋮Zmt=Xt−1+2mXt−2+3mXt−3⋯+smXt−s
为滞后变量的线性组合变量。若(1)式扰动项
μ
t
\mu_t
μt满足经典假设条件，则可以采取OLS估计参数
α
i
(
i
=
0
,
1
,
…
m
)
\alpha_i(i=0,1,\dots m)
αi(i=0,1,…m)。在实际操作中
m
=
2
,
3
m = 2,3
m=2,3很少取到4.
3 自回归模型构建
3.1 库伊克（Koyck）模型
对于如下无限分布滞后模型
Y
t
=
α
+
β
0
X
t
+
β
1
X
t
−
1
+
β
2
X
t
−
2
+
⋯
+
u
t
(2)
Y_{t}=\alpha+\beta_{0} X_{t}+\beta_{1} X_{t-1}+\beta_{2} X_{t-2}+\cdots+u_{t}\tag{2}
Yt=α+β0Xt+β1Xt−1+β2Xt−2+⋯+ut(2)
可以假定滞后解释变量
X
t
−
i
X_{t-i}
Xt−i对被解释变量
Y
Y
Y的影响随着滞后期
i
(
i
=
0
,
1
,
2
,
…
)
i(i=0,1,2,\dots)
i(i=0,1,2,…)的增加而
按几何级数衰减,即
β
i
=
β
0
λ
i
,
0
<
λ
<
1
,
i
=
0
,
1
,
2
,
⋯
(3)
\beta_{i}=\beta_{0} \lambda^{i} , 0<\lambda<1 ,i=0,1,2, \cdots\tag{3}
βi=β0λi,0<λ<1,i=0,1,2,⋯(3)
其中
β
0
\beta_0
β0为常数，公比
λ
\lambda
λ为待估参数。
λ
\lambda
λ值的大小决定了滞后衰减的速度，
λ
\lambda
λ值越接近零，衰减速度越快，通常称
λ
\lambda
λ为分布滞后衰减率，称
1
−
λ
1-\lambda
1−λ为调整速度。将(3)代入(2)得
Y
t
=
α
+
β
0
X
t
+
β
0
λ
X
t
−
1
+
β
0
λ
2
X
t
−
2
+
⋯
+
u
t
=
α
+
β
0
(
X
t
+
λ
X
t
−
1
+
λ
2
X
t
−
2
+
⋯
)
+
u
t
=
α
+
β
0
∑
i
=
0
∞
λ
i
X
t
−
i
+
u
t
(4)
\begin{aligned} Y_{t} &=\alpha+\beta_{0} X_{t}+\beta_{0} \lambda X_{t-1}+\beta_{0} \lambda^{2} X_{t-2}+\cdots+u_{t} \\ &=\alpha+\beta_{0}\left(X_{t}+\lambda X_{t-1}+\lambda^{2} X_{t-2}+\cdots\right)+u_{t} \\ &=\alpha+\beta_{0} \sum_{i=0}^{\infty} \lambda^{i} X_{t-i}+u_{t} \end{aligned}\tag{4}
Yt=α+β0Xt+β0λXt−1+β0λ2Xt−2+⋯+ut=α+β0(Xt+λXt−1+λ2Xt−2+⋯)+ut=α+β0i=0∑∞λiXt−i+ut(4)
将(4)滞后一期，并乘以
λ
\lambda
λ,
Y
t
Y_t
Yt减之
Y
t
−
λ
Y
t
−
1
=
(
α
+
β
0
∑
i
=
0
∞
λ
i
X
t
−
i
+
u
t
)
−
(
λ
α
+
β
0
∑
i
=
1
∞
λ
i
X
t
−
i
+
λ
u
t
−
1
)
=
α
(
1
−
λ
)
+
β
0
X
t
+
(
u
t
−
λ
u
t
−
1
)
\begin{aligned} Y_{t}-\lambda Y_{t-1} &=\left(\alpha+\beta_{0} \sum_{i=0}^{\infty} \lambda^{i} X_{t-i}+u_{t}\right)-\left(\lambda \alpha+\beta_{0} \sum_{i=1}^{\infty} \lambda^{i} X_{t-i}+\lambda u_{t-1}\right) \\ \\ &=\alpha(1-\lambda)+\beta_{0} X_{t}+\left(u_{t}-\lambda u_{t-1}\right) \end{aligned}
Yt−λYt−1=(α+β0i=0∑∞λiXt−i+ut)−(λα+β0i=1∑∞λiXt−i+λut−1)=α(1−λ)+β0Xt+(ut−λut−1)
即
Y
t
=
α
(
1
−
λ
)
+
β
0
X
t
+
λ
Y
t
−
1
+
(
u
t
−
λ
u
t
−
1
)
Y_{t}=\alpha(1-\lambda)+\beta_{0} X_{t}+\lambda Y_{t-1}+\left(u_{t}-\lambda u_{t-1}\right)
Yt=α(1−λ)+β0Xt+λYt−1+(ut−λut−1)
上述变换过程称为库伊克变换。令
α
∗
=
(
1
−
λ
)
α
,
β
0
∗
=
β
0
,
β
1
∗
=
λ
,
u
t
∗
=
u
t
−
λ
u
t
−
1
\alpha^{*}=(1-\lambda) \alpha \quad, \quad \beta_{0}^{*}=\beta_{0} \quad, \quad \beta_{1}^{*}=\lambda \quad, \quad u_{t}^{*}=u_{t}-\lambda u_{t-1}
α∗=(1−λ)α,β0∗=β0,β1∗=λ,ut∗=ut−λut−1则库伊克模型为
Y
t
=
α
∗
+
β
0
∗
X
t
+
β
1
∗
Y
t
−
1
+
u
t
∗
Y_{t}=\alpha^{*}+\beta_{0}^{*} X_{t}+\beta_{1}^{*} Y_{t-1}+u_{t}^{*}
Yt=α∗+β0∗Xt+β1∗Yt−1+ut∗
这是一个
A
R
(
1
)
AR(1)
AR(1)过程。库伊克（Koyck)模型也存在局限
- 假定无限滞后分布呈几何滞后结构，不具有普适性
- 新模型的随机扰动项 μ t ∗ \mu_t^* μt∗存在一阶自相关，且与解释变量 Y t − 1 Y_{t-1} Yt−1相关。
- 将随机变量 Y t − 1 Y_{t-1} Yt−1作为解释变量引入了模型，不一定符合基本假定。
- 库伊克变换是纯粹的数学运算结果，缺乏经济理论依据。
3.2 自适应预期模型
将解释变量预期值引入模型建立“期望模型”。例如，包含一个预期解释变量的“期望模型”可以表现为如下形式：
Y
t
=
α
+
β
X
t
∗
+
u
t
(5)
Y_{t}=\alpha+\beta X_{t}^{*}+u_{t}\tag{5}
Yt=α+βXt∗+ut(5)
其中
Y
t
Y_t
Yt为被解释变量，
X
t
∗
X_t^*
Xt∗为解释变量预期值，
μ
t
\mu_t
μt为随机扰动项。自适应预期假定认为，经济活动主体对某经济变量的预期，是通过一种简单的学习过程而行成的，其机理是，经济活动主体会根据自己过去在作预期时所犯错误的程度，来修正他们以后每一时期的预期，即按照过去预测偏差的某一比例对当前期望进行修正，使其适应新的经济环境。用数学式子表示就是
X
t
∗
=
X
t
−
1
∗
+
γ
(
X
t
−
X
t
−
1
∗
)
(6)
X_{t}^{*}=X_{t-1}^{*}+\gamma\left(X_{t}-X_{t-1}^{*}\right)\tag{6}
Xt∗=Xt−1∗+γ(Xt−Xt−1∗)(6)
其中参数
λ
\lambda
λ为调节系数，也称为适应系数。将(6)代入(5)得
Y
t
=
α
+
β
[
γ
X
t
+
(
1
−
γ
)
X
t
−
1
∗
]
+
u
t
Y_{t}=\alpha+\beta\left[\gamma X_{t}+(1-\gamma) X_{t-1}^{*}\right]+u_{t}
Yt=α+β[γXt+(1−γ)Xt−1∗]+ut
通过变形得到
Y
t
=
α
∗
+
β
0
∗
X
t
+
β
1
∗
Y
t
−
1
+
u
t
∗
Y_{t}=\alpha^{*}+\beta_{0}^{*} X_{t}+\beta_{1}^{*} Y_{t-1}+u_{t}^{*}
Yt=α∗+β0∗Xt+β1∗Yt−1+ut∗
其中
α
∗
=
γ
α
,
β
0
∗
=
γ
β
,
β
1
∗
=
1
−
γ
,
u
t
∗
=
u
t
−
(
1
−
γ
)
u
t
−
1
\alpha^{*}=\gamma \alpha, \quad \beta_{0}^{*}=\gamma \beta, \quad \beta_{1}^{*}=1-\gamma, \quad u_{t}^{*}=u_{t}-(1-\gamma) u_{t-1}
α∗=γα,β0∗=γβ,β1∗=1−γ,ut∗=ut−(1−γ)ut−1这是一个
A
R
(
1
)
AR(1)
AR(1)过程。
3.3 局部调整模型
解释变量的现值影响着被解释变量的预期值，即存在如下关系
Y
t
∗
=
α
+
β
X
t
+
u
t
(7)
Y_{t}^{*}=\alpha+\beta X_{t}+u_{t}\tag{7}
Yt∗=α+βXt+ut(7)
其中，局部调整假设认为，被解释变量的实际变化仅仅是预期变化的一部分，即
Y
t
−
Y
t
−
1
=
δ
(
Y
t
∗
−
Y
t
−
1
)
(8)
Y_{t}-Y_{t-1}=\delta\left(Y_{t}^{*}-Y_{t-1}\right)\tag{8}
Yt−Yt−1=δ(Yt∗−Yt−1)(8)
其中
δ
\delta
δ为调整系数，它代表调整速度。
δ
\delta
δ越接近1，表明调整到预期最佳水平的速度越快。若
δ
=
1
\delta =1
δ=1，则
Y
t
=
Y
t
∗
Y_t = Y_t^*
Yt=Yt∗，表明实际变动等于预期变动，调整在当期完全实现。若
δ
=
0
\delta =0
δ=0，则
Y
t
=
Y
t
−
1
Y_t = Y_{t-1}
Yt=Yt−1表明本期值与上期值一样，完全没有调整。一般情况下，
0
<
δ
<
1
0<\delta<1
0<δ<1。将(8)变型并将（7）代入（8）得
Y
t
=
α
∗
+
β
0
∗
X
t
+
β
1
∗
Y
t
−
1
+
u
t
∗
Y_{t}=\alpha^{*}+\beta_{0}^{*} X_{t}+\beta_{1}^{*} Y_{t-1}+u_{t}^{*}
Yt=α∗+β0∗Xt+β1∗Yt−1+ut∗
其中
α
∗
=
δ
α
,
β
0
∗
=
δ
β
,
β
1
∗
=
1
−
δ
,
u
t
∗
=
δ
u
t
\alpha^{*}=\delta \alpha, \quad \beta_{0}^{*}=\delta \beta, \quad \beta_{1}^{*}=1-\delta, \quad u_{t}^{*}=\delta u_{t}
α∗=δα,β0∗=δβ,β1∗=1−δ,ut∗=δut
库伊克模型、自适应预期模型与局部调整模型的最终形式，都是一阶自回归形式，这样，对这三类模型的估计就转化为对相应一阶自回归模型的估计。
4 自回归模型的估计
4.1 自回归模型的困难
关于随机扰动项
-
库伊克模型： u t ∗ = u t − λ u t − 1 u_{t}^{*}=u_{t}-\lambda u_{t-1} ut∗=ut−λut−1
-
自适应预期模型： u t ∗ = u t − ( 1 − γ ) u t − 1 u_{t}^{*}=u_{t}-(1-\gamma) u_{t-1} ut∗=ut−(1−γ)ut−1
-
局部调整模型： u t ∗ = δ u t u_{t}^{*}=\delta u_{t} ut∗=δut
假定上述三种原中随机扰动项
μ
t
\mu_t
μt满足古典假定，即
E
(
μ
t
)
=
0
E(\mu_t) = 0
E(μt)=0,
V
a
r
(
μ
t
)
=
σ
2
Var(\mu_t) = \sigma^2
Var(μt)=σ2,
C
o
v
(
μ
t
,
μ
s
)
=
0
(
t
≠
s
)
Cov(\mu_t,\mu_{s}) =0 (t\ne s)
Cov(μt,μs)=0(t=s)。对于库伊克模型，存在自相关性与内生性
Cov
(
u
t
∗
,
u
t
−
1
∗
)
=
E
(
u
t
−
λ
u
t
−
1
−
E
(
u
t
−
λ
u
t
−
1
)
)
(
u
t
−
1
−
λ
u
t
−
2
−
E
(
u
t
−
1
−
λ
u
t
−
2
)
)
=
E
(
u
t
u
t
−
1
)
−
λ
E
u
t
−
1
2
−
λ
E
(
u
t
u
t
−
2
)
+
λ
2
E
(
u
t
−
1
u
t
−
2
)
=
−
λ
E
u
t
−
1
2
=
−
λ
σ
2
≠
0
\begin{array}{l} \operatorname{Cov}\left(u_{t}^{*}, u_{t-1}^{*}\right)=E\left(u_{t}-\lambda u_{t-1}-E\left(u_{t}-\lambda u_{t-1}\right)\right)\left(u_{t-1}-\lambda u_{t-2}-E\left(u_{t-1}-\lambda u_{t-2}\right)\right) \\ \\ =E\left(u_{t} u_{t-1}\right)-\lambda E u_{t-1}^{2}-\lambda E\left(u_{t} u_{t-2}\right)+\lambda^{2} E\left(u_{t-1} u_{t-2}\right) \\ \\ =-\lambda E u_{t-1}^{2}=-\lambda \sigma^{2} \neq 0 \end{array}
Cov(ut∗,ut−1∗)=E(ut−λut−1−E(ut−λut−1))(ut−1−λut−2−E(ut−1−λut−2))=E(utut−1)−λEut−12−λE(utut−2)+λ2E(ut−1ut−2)=−λEut−12=−λσ2=0
Cov
(
Y
t
−
1
,
u
t
∗
)
=
Cov
(
Y
t
−
1
,
u
t
−
λ
u
t
−
1
)
=
Cov
(
Y
t
−
1
,
u
t
)
−
λ
Cov
(
Y
t
−
1
,
u
t
−
1
)
−
λ
Cov
(
Y
t
−
1
,
u
t
−
1
)
≠
0
\begin{array}{l} \operatorname{Cov}\left(Y_{t-1}, u_{t}^{*}\right)=\operatorname{Cov}\left(Y_{t-1}, u_{t}-\lambda u_{t-1}\right) =\operatorname{Cov}\left(Y_{t-1}, u_{t}\right)-\lambda \operatorname{Cov}\left(Y_{t-1}, u_{t-1}\right) \\-\lambda \operatorname{Cov}\left(Y_{t-1}, u_{t-1}\right) \neq 0 \end{array}
Cov(Yt−1,ut∗)=Cov(Yt−1,ut−λut−1)=Cov(Yt−1,ut)−λCov(Yt−1,ut−1)−λCov(Yt−1,ut−1)=0
对于自适应预期模型也存在自相关与内生性，即
Cov
(
u
t
∗
,
u
t
−
1
∗
)
≠
0
；
Cov
(
u
t
∗
,
Y
t
−
1
)
≠
0
\operatorname{Cov}\left(u_{t}^{*}, u_{t-1}^{*}\right) \neq 0；\operatorname{Cov}\left(u_{t}^{*}, Y_{t-1}\right) \neq 0
Cov(ut∗,ut−1∗)=0；Cov(ut∗,Yt−1)=0
局部调整模型不存在自相关与内生性
Cov
(
u
t
∗
,
u
t
−
1
∗
)
=
E
(
δ
u
t
−
E
(
δ
u
t
)
)
(
δ
u
t
−
1
−
E
(
δ
u
t
−
1
)
)
=
δ
2
E
(
u
t
u
t
−
1
)
=
0
Cov
(
Y
t
−
1
,
u
t
∗
)
=
Cov
(
Y
t
−
1
,
δ
u
t
)
=
δ
Cov
(
Y
t
−
1
,
u
t
)
=
0
\begin{array}{l} \operatorname{Cov}\left(u_{t}^{*}, u_{t-1}^{*}\right)=E\left(\delta u_{t}-E\left(\delta u_{t}\right)\right)\left(\delta u_{t-1}-E\left(\delta u_{t-1}\right)\right)=\delta^{2} E\left(u_{t} u_{t-1}\right)=0 \\ \\ \operatorname{Cov}\left(Y_{t-1}, u_{t}^{*}\right)=\operatorname{Cov}\left(Y_{t-1}, \delta u_{t}\right)=\delta \operatorname{Cov}\left(Y_{t-1}, u_{t}\right)=0 \end{array}
Cov(ut∗,ut−1∗)=E(δut−E(δut))(δut−1−E(δut−1))=δ2E(utut−1)=0Cov(Yt−1,ut∗)=Cov(Yt−1,δut)=δCov(Yt−1,ut)=0
由上述模型可知，自回归模型可能存在内生性与自相关问题。为此可以通过工具变量法解决。
4.2工具变量法
工具变量的选择应满足如下条件：
- 与所代替的解释变量高度相关；
- 与随机扰动项不相关；
- 与其它解释变量不相关，以免出现多重共线性。
可以证明，利用工具变量法所得到的参数估计是一致估计。在时间序列中，可用
Y
^
t
−
1
\hat{Y}_{t-1}
Y^t−1作为
Y
t
−
1
Y_{t-1}
Yt−1的工具变量，于是一阶自回归模型可写为
Y
t
=
α
∗
+
β
0
∗
X
t
+
β
1
∗
Y
^
t
−
1
+
u
t
∗
Y_{t}=\alpha^{*}+\beta_{0}^{*} X_{t}+\beta_{1}^{*} \hat{Y}_{t-1}+u_{t}^{*}
Yt=α∗+β0∗Xt+β1∗Y^t−1+ut∗
其中
Y
^
t
−
1
\hat{Y}_{t-1}
Y^t−1是
Y
^
t
\hat{Y}_t
Y^t的滞后值，
Y
^
t
\hat{Y}_t
Y^t如下确定
Y
^
t
=
c
^
0
+
c
^
1
X
t
−
1
+
c
^
2
X
t
−
2
+
⋯
+
c
^
s
X
t
−
s
\hat{Y}_{t}=\hat{c}_{0}+\hat{c}_{1} X_{t-1}+\hat{c}_{2} X_{t-2}+\cdots+\hat{c}_{s} X_{t-s}
Y^t=c^0+c^1Xt−1+c^2Xt−2+⋯+c^sXt−s
s
s
s一般取2，3。
4.3 德宾h-检验
若自变量包括被解释变量滞后值，则DW检验不再适用。为此，德宾提出了检验一阶自相关的
h
h
h统计量检验法。h统计量为
h
=
ρ
^
n
1
−
n
Var
(
β
^
1
∗
)
=
(
1
−
d
2
)
n
1
−
n
Var
(
β
^
1
∗
)
h=\hat{\rho} \sqrt{\frac{n}{1-n \operatorname{Var}\left(\hat{\beta}_{1}^{*}\right)}}=\left(1-\frac{d}{2}\right) \sqrt{\frac{n}{1-n \operatorname{Var}\left(\hat{\beta}_{1}^{*}\right)}}
h=ρ^1−nVar(β^1∗)n=(1−2d)1−nVar(β^1∗)n
其中，
ρ
^
\hat{\rho}
ρ^为随机扰动项一阶自相关系数
ρ
\rho
ρ的估计量，d为DW统计量，
n
n
n为样本容量，
V
a
r
(
β
^
1
∗
)
{Var}\left(\hat{\beta}_{1}^{*}\right)
Var(β^1∗)为滞后被解释变量
Y
t
−
1
Y_{t-1}
Yt−1的回归系数的估计方差。德宾证明了在
ρ
=
0
\rho = 0
ρ=0的假定下，
h
h
h统计量的极限分布为标准正态分布。在大样本情况下，可以用
h
h
h统计量值判断随机扰动项是否存在一阶自相关
- 对一阶自回归方程
Y t = α ∗ + β 0 ∗ X t + β 1 ∗ Y t − 1 + u t ∗ Y_{t}=\alpha^{*}+\beta_{0}^{*} X_{t}+\beta_{1}^{*} Y_{t-1}+u_{t}^{*} Yt=α∗+β0∗Xt+β1∗Yt−1+ut∗
直接进行最小二乘估计，得到 V a r ( β ^ 1 ∗ ) {Var}\left(\hat{\beta}_{1}^{*}\right) Var(β^1∗)及 d d d统计量值。将 V a r ( β ^ 1 ∗ ) {Var}\left(\hat{\beta}_{1}^{*}\right) Var(β^1∗)， d d d及样本容量 n n n代入h 统计量值。给定显著性水平 α \alpha α，查标准正态分布表得临界值 h α h_\alpha hα。若 ∣ h ∣ > h α |h|>h_\alpha ∣h∣>hα，则拒绝原假设 ρ = 0 \rho = 0 ρ=0，反之不拒绝。
参考文献
庞皓. 计量经济学[M].科学出版社
扫一扫
4487
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
