自相关序列相关.ppt

第一节自相关的定义
、对于模型y=B+Bx1+B2x21+…+Bx+1
有基本假设: Couu,u)=0,vi≠
如果随机误差项之间不再是完全互相独立,
即有
Co(u4,u1)≠0,存在≠j(51)
认为模型出现自相关(序列相关)性。又因为
有假设E{x)=0自相关也可表示为
E(u)≠03≠
如果仅是E(uM1)≠0,称有一阶自相关
、实际经济问题中的序列相关性
自相关产生的原因
■1、惯性
2、解释变量的设定误差;
3、不准确的函数形式
4、“蛛网”现象
5、数据处理中的“技术”原因。
1、惯性
大多数经济时间数据都有一个明显的特点,就是它的
惯性。
GDP、价格指数、生产、就业与失业等时间序列都呈
周期性,如周期中的复苏阶段,大多数经济序列均呈上
升势,序列在每一时刻的值都高于前一时刻的值,似乎
有一种内在的动力驱使这一势头继续下去,直至某些情
况(如利率或课税的升高)出现才把它拖慢下来。
2、设定偏误:模型中遗漏了显著的变量
例如:如果对牛肉需求的正确模型应为
Y+=Po+B1X1t+B2×2+3×3t+t
其中:Y=牛肉需求量,X1=牛肉价格,X2=消费者收入,
3=猪肉价格。
如果模型设定为
Y+=β0+β1×1+2Xa+Vt
那么该式中的随机误差项实际上是:V1=阝3x3+
于是在猪肉价格影响牛肉消费量的情况下,这种模型设
定的偏误往往导致随机项中有一个重要的系统性影响因素,
使其呈序列相关性。
3、不正确的函数形式
例如:如果边际成本模型应为:
Y=β0+βX+β2×2+u
其中:Y=边际成本,Ⅹ=产出。
但建模时设立了如下模型
Y+=βo+B1X+v
因此,由于v=β2X2+μ,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。
4、蛛网现象
例如,农产品供给对价格的反映本身存在一个滞
后期
供给阝+β价格:1+t
意味着,农民由于在年度t的过量生产(使该期价格
降)很可能导致在年度t+1时削减产量,因此不能
期望随杋干扰项是随机的,往往产生一种蛛网模式。
序列相关性的后果
1、参数估计量无偏但非有效;
2、变量的显著性检验失去意义
3、模型的预测失效;
1、参数估计量无偏但非有效
OLS参数估计量仍具无偏性
OLS估计量不具有有效性
在大样本情况下,参数估计量仍然不具有渐近有效
性,这就是说参数估计量不具有一致性
2、变量的显著性检验失去意义
在关于变量的显著性检验中,当存在序列相关时,
参数的OLS估计量的方差增大,标准差也增大,因
此实际的t统计量变小,从而接受原假设β=0的可
能性增大,检验就失去意义
采用其它检验也是如此。