第10章 自相关:如果误差项相关会有什么后果
本章主要讲授如下内容:
10.1 自相关的性质
10.2 自相关的后果
10.3 自相关的诊断
10.4 自相关的补救措施
10.1 自相关的性质
1.定义
对于模型:
如果随机误差项的各期值之间存在着相关关系,即
,,
这时,称随机误差项之间存在自相关(autocorrelation)或序列相关(serial correlation)。
最常见的类型是随机误差项之间存在一阶自相关,即
或
其中,ρ是μt与μt-1的相关系数,νt是满足经典假设的随机误差项。
自相关的一般形式可以表示成
称之为p阶自回归形式,或模型存在p阶自相关。
2.判断
由于我们无法观察到误差项μt,只能通过残差项et来判断μt的行为。如果残差项et随时间呈现有规律的变化,则表示残差项et金融危机时间存在自相关。否则,不存在自相关。如图10-1所示。
3.类型
主要有正的自相关和负的自相关两类,如图10-2所示。
4.自相关产生的原因
(1)经济变量的惯性作用 如GDP、就业、货币供给、价格指数等时间序列都呈现出周期性。
(2)经济行为的滞后性 如投资对其后若干年内经济的影响等。
(3)一些随机因素的干扰或影响 如战争、自然灾害、错误政策的后果、金融危机等随机因素,不仅对当期经济造成影响,而且对以后若干时期的经济产生影响,反映在模型中即容易形成随机误差序列的自相关。
(4)模型设定误差 如果模型中遗漏了重要的变量,或选择了不正确的函数形式,则得到的残差会出现自相关。
(5)数据的“编造” 在实证分析中,有些数据是通过已知数据生成的,如对原始数据进行内插或平滑处理等。如季度数据往往通过月度数据推导而来,这种平滑过程本身可能导致误差项的系统模式,从而引入了自相关。
10.2 自相关的后果
1.参数估计量仍然是线性的、无偏的,但非有效。
2.OLS估计量的被估方差是有偏的且会被低估,因而会使相应的t值变大。
3.模型的t和F统计检验失效。
4.用通常公式()计算的随机误差项的方差是实际值的有偏估计,且一般会被低估。因为在存在自相关的情况下,可以推导出:
5.通常计算的R2不是其真实值的准确估计,比实际的要大。
6.区间估计与预测区间的精度降低。
10.3 自相关的诊断
1.图示法
(1)以时间t为横轴,以残差et为纵轴进行作图,如果et随时间的变化呈现有规律的变化,则et存在自相关。如图10-3所示。
(2)绘制et与et-1散点图,如果图形出现系统反映,则误差项et可能存在自相关。如图10-4所示。
2.回归检验法
以et作为被解释变量,以各种可能的相关量,如et-1、et-2、et2等为解释变量,建立各种方程:
对方程进行估计并进行显著性检验,如果存在某一种函数形式,则说明原模型存在自相关。
回归检验法的优点是,一旦确定了模型存在序列相关,也就知道了序列相关的形式。
3.德宾—沃森检验(Durbin-Watson test)
(1)检验的假设条件
①解释变量X为非随机;
②随机误差项μt为一阶自相关形式;
③解释变量中不含有因变量的滞后值;
④回归模型含有截距项。
(2)德宾—沃森统计量
,其中
(3)检验自相关性
因为ρ的值介于-1和1之间,所以0≤D.W.≤4,而且:
①D.W.=0(ρ=1),即存在正自相关性;
②D.W.=4(ρ=-1),即存在负自相关性;
③D.W.=2(ρ=0),即不存在自相关性。
因此,当D.W.的值显著地接近于0或4时,则存在自相关性;而接近于2时,则不存在(一阶)自相关。
在具体检验时,只须计算德宾—沃森统计量的值,再根据样本容量n和解释变量数目k查D.W.分布表,得到临界值dL和dU,然后按照下列准则考察D.W.值,以判断模型的自相关状态:
D.W.检验的不足之处是,如果D.W.值落入无法判定的区域,那么就不能对自相关做出判断。
4.拉格朗日乘数检验(Lagrange Multiplicator Test, LM Test)
它由布劳殊(Breusch)和戈弗雷(Godfrey)于1978年提出,也被称为GB检验。
对于模型:
如果随机误差项μt存在p阶自相关:
这里,νt是满足经典假设的随机误差项。
LM检验的零假设H0是:
H0:
即不存在任何阶数的自相关。
版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198,我们将在24小时内删除。
发表评论