计量经济学—理论·方法·EViews应用郭存芝杜延军李春吉编著第七章序列相关性◆学习目的通过本章的学习，你可以知道什么是序列相关性，序列相关性产生的原因是什么，序列相关性导致什么样的后果，怎样检验和处理具有序列相关性的模型。◆基本要求1）掌握序列相关性的概念、序列相关性的后果和检验方法；2）了解广义最小二乘法和广义差分法原理；3）能运用广义差分法和广义最小二乘法估计线性回归模型。◆序列相关性及其产生原因◆序列相关性的影响◆序列相关性的检验◆序列相关的补救第七章序列相关性第一节序列相关性及其产生原因—、序列相关性的含义对于多元线性回归模型011221,2,,iiikkiiYXXXin(7-1)在其他假设仍然成立的条件下，随机干扰项序列相关意味着如果仅存在则称为一阶序列相关或自相关（简写为AR(1))，这是常见的一种序列相关问题。1()0,1,2,...,iiEin（7-3）(,)()0CovEijij（7-2）自相关往往可以写成如下形式：（7-4）1,11iii其中称为自协方差系数或一阶自回归系数，i是满足以下标准OLS假定的随机干扰项：2()0,(),(,)0(0)iiiisEVarCovs由于序列相关性经常出现在以时间序列数据为样本的模型中，因此，本节下面将代表不同样本点的下表i用t表示。二、序列相关的原因1．经济数据序列惯性2．模型设定的偏误3．滞后效应4．蛛网现象5．数据的编造1．经济数据序列惯性GDP、价格指数、消费等时间序列数据通常表现为周期循环。当经济衰退的谷底开始复苏时，大多数经济序列开始上升，在上升期间，序列在每一时刻的值都高于前一时刻的值。看来有一种内在的动力驱使这一势头继续下去，直至某些情况出现（如利率或税收提高）才把它拖慢下来。因此，在涉及时间序列的回归中，相继的观测值很可能是相互依赖的。比如：2．模型设定的偏误定义：指所设定的模型“不正确”，主要表现在模型中丢掉了重要的解释变量或模型函数形式有偏误。例1：本来应该估计的模型为0111233tttttYXXX（7-5）但在进行回归时，却把模型设定为如下形式：t011t22ttY=β+βX+βX+ν7-6）（丢掉了重要的解释变量）2．模型设定的偏误定义：指所设定的模型“不正确”，主要表现在模型中丢掉了重要的解释变量或模型函数形式有偏误。例2：（模型函数形式有偏误）（7-7）在成本—产出研究中，如果真实的边际成本的模型为：0122ttttY=β+βX+βX+μ其中Y代表边际成本，X代表产出。（7-8）01tttYXv但是如果建模时设立了如下回归模型：3．滞后效应考虑一个消费支出对收入进行回归的时间序列模型，人们常常发现当期的消费支出除了依赖其他当期收入外，还依赖前期的消费支出，即回归模型为：0121ttttCYC（7-9）其中，C是消费，Y是收入。类似（7-9）式的回归模型被称为自回归模型由于心理上、技术上以及制度上的原因，消费者不会轻易改变其消费习惯，如果我们忽视（7-9）式中的滞后消费对当前消费的影响，那所带来的误差项就会体现出一种系统性的模式。注意：4．蛛网现象例如：假定某农产品的供给模型为：01-1tttSP(7-10)假设t时期的价格Pt低于t-1时期的价格Pt-1，农民就很可能决定在时期t+1生产比t时期更少的东西。显然在这种情形中，农民由于在年度t的过量生产很可能在年度t+1消减他们的产量。诸如此类的现象，就不能期望干扰μt是随机，从而出现蛛网式的序列相关。5．数据的编造新生成的数据与原数据间就有了内在的联系，表现出序列相关性。例如：季度数据来自月度数据的简单平均，这种平均的计算减弱了每月数据的波动而引进了数据中的匀滑性，这种匀滑性本身就能使随机干扰项中出现系统性的因素，从而出现序列相关性。利用数据的内插或外推技术构造的数据也会呈现某种系统性的模式。一般经验表明，对于采用时间序列数据做样本的计量经济学模型，由于在不同样本点上解释变量意外的其他因素在时间上的连续性，带来了他们对被解释变量的影响的连续性，所以往往存在序列相关性。第二节序列相关性的影响1．参数估计量非有效2．随机误差项方差估计量是有偏的3...
