计量经济学自相关总
计量经济学：自相关
所以在实际应用中，对于序列相关问题一般只进行D.W.检验。
3、LM检验（或BG检验）
• 此方法不仅适用于一阶自相关检验，也适用于高阶自相关的检验。 • 检验步骤： 1、用OLS对回归模型进行，得到残差序列et；
1、经济变量固有的惯性 大多数经济时间序列数据都有一个明显的特点——惯性，表现为 滞后值对本期值具有影响。
例如：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。
证明：由于 DW
e
t 2
T
t
e t 1
2 t T
2
e
t 1
T
e e
t 2 2 t t 2 T T
T
T
2 t 1
2 e t e t 1
t 2 2 t
T
e
t 1 t 2 2 t 1
T
若样本容量足够大，有 则 e e
t 2 2 t
et2
3、数据的“加工整理”
在实际经济问题中，有些数据是通过已知数据生成的。因此，新生
成的数据与原数据间就有了内在的联系，从而表现出序列相关性。
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平滑性，这种平滑性本身就能使干扰项 中出现系统性的因素，从而出现序列相关。 还有就是两个时间点之间的“内插”技术往往导致随机项的序列相关性。
计量经济学讲义—— 线性回归模型的自相关问题
10.5 自相关的诊断－Durbin-Watson d检验法
Durbin-Watson d统计量可以用来诊断回归模型的自相关
n
d =
∑
t=2
( e t − e t −1 ) 2
n
∑
样本容量为n－1。
t =1
e t2
(10.3)
Durbin-Watson d检验量是诊断自相关常用的检验 工具，必须掌握。
10.2 自相关产生的原因
1. 经济时间序列的惯性(inertia)或迟缓性(sluggishness)特征。 2. 模型适定误差。有些自相关并不是由于连续观察值之间相 关产生的，而是因为回归模型不是适定性的“好”模型。 “不好模型”有多种原因。 3. 蛛网现象(the cobweb phenomenon)。一个变量对另一个变 量的反映不是同步的，时滞一定的时间。商品供给对价格 的反映： St ＝ B1 ＋ B2*Pt-1 ＋ ut (10.2)
∑
t=2 n
e t e t −1 e t2
ˆ ,− 1 ≤ ρ ≤ 1
(10.5)
∑
t =1
如果d接近0，则存在正相关；d接近4，则存在负相关；d 接近2，表示不存在相关。
10.5 自相关的诊断－Durbin-Watson d检验法
d 统计量诊断自相关需要一定的假设条件，不是任意可用的： 1. 回归模型包括一个截距项。因此，d统计量无法判断通过原 点的回归模型的自相关问题。 2. 变量X是非随机变量，即在重复抽样中变量X的值是固定不 变的。 3. 扰动项ui的生成机制是：
4. 数据处理。在做季节因素的调整时，经常要做移动平均。 移动平均的处理可以消除季节波动的影响，但带来新的问 题则是产生了自相关。
计量经济学第六章自相关
计量经济学第六章自相关自相关是计量经济学中一种重要的现象，它指的是一个变量与其自己在过去时间点上的相关性。
自相关在实证研究中十分常见，对经济学家来说，了解和掌握自相关性质是至关重要的。
1. 引言自相关作为计量经济学的一项基础概念，是经济学研究中不可或缺的一个重要方法。
自相关性的存在通常会引起回归结果的偏误，而忽略自相关性可能导致估计不准确的结果。
因此，探讨自相关性的性质和应对方法是计量经济学的重点之一。
2. 自相关的定义和表示自相关是指一个变量与其自身在过去时间点上的相关性。
假设我们有一个时间序列数据集，其中变量yt表示一个时间点上的观测值，t表示时间索引。
自相关系数可以通过计算观测值yt与其在过去某一时间点上的观测值yt-k（k为时间滞后期数）的相关性来得到。
数学上，自相关系数可以用公式表示为：ρ(k) = Cov(yt, yt-k) / (σ(yt) * σ(yt-k))其中，ρ(k)表示第k期的自相关系数，Cov表示协方差，σ表示标准差。
3. 自相关性的性质自相关性具有以下几个性质：3.1 一阶自相关性一阶自相关性是指变量值yt与前一期的观测值yt-1之间的相关性。
一阶自相关系数ρ(1)通常用来检验时间序列数据是否存在自相关性。
若ρ(1)大于零且显著，则表明存在正的一阶自相关性；若ρ(1)小于零且显著，则表明存在负的一阶自相关性。
3.2 高阶自相关性除了一阶自相关性，时间序列数据还可能存在高阶自相关性。
高阶自相关性是指变量值yt与过去第k期的观测值yt-k之间的相关性。
通过计算不同滞后期的自相关系数ρ(k)，可以了解数据在不同时间跨度上的自相关性情况。
3.3 异方差自相关性异方差自相关性是指时间序列数据中的方差不仅与自身相关，还与过去观测值的相关性有关。
异方差自相关性可能导致在回归分析中的标准误差失效，从而产生无效的回归结果。
因此，在处理存在异方差自相关性的数据时要采取合适的修正方法。
4. 自相关性的检验方法在实证研究中，经济学家通常使用多种方法来检验数据中的自相关性，常用的方法包括：4.1 Durbin-Watson检验Durbin-Watson检验是一种常用的检验自相关性的方法，其基本思想是通过检验误差项的相关性来判断自相关是否存在。
计量经济学自己总结的概念
计量概念一、一元线性回归1.相关系数:2.回归分析:是研究一个变量关于另一个变量的依赖关系的计算方法和理论.目的在于通过后者的已知或设定值,去估计和预测前者的均值3.回归分析和相关分析1)共同点:都是研究非确定性变量间的统计依赖关系2)不同点:A.相关分析中，变量 x 变量 y 处于平等的地位；回归分析中，变量 y 称为因变量，处在被解释的地位，x 称为自变量，用于预测因变量的变化B.相关分析中所涉及的变量 x 和 y 都是随机变量；回归分析中，因变量 y是随机变量，自变量 x 可以是随机变量，也可以是非随机的确定变量C.相关分析主要是描述两个变量之间线性关系的密切程度；回归分析不仅可以揭示变量 x 对变量 y 的影响大小，还可以由回归方程进行预测和控制4.总体回归线: 在给定解释变量X条件下被解释变量Y的期望轨迹5.随机干扰项的存在原因:代表未知的影响因素;代表残缺数据;代表众多细小影响因素;代表数据观测误差;代表模型设定误差;变量的内在随机性6.对模型的基本假设:1)对模型设定的假设:回归模型是正确的即选择了正确的变量和函数形式2)对解释变量的假设:X是确定型变量不是随机变量;X在所抽取的样本中具有变异性,随着样本容量的无线增加X的样本方差趋于非零的有限常数.3)对随机干扰项的假定:误差项ε是一个期望值为0的随机变量，即E(ε)=0。
对于一个给定的 x 值，y 的期望值为E(y)=0+1x对于所有的x值,ε的方差σ2 都相同;误差项ε是一个服从正态分布的随机变量，且相互独立。
即ε~N( 0 ,σ2 ),对于一个特定的 x 值，它所对应的ε与其他 x 值所对应的ε不相关7.最小二乘法(OLS):使因变量的观察值与估计值之间的离差平方和达到最小来求得和的方法8.如何考察总体估计量的优劣性：线性性、无偏性、有效性、渐近无偏性、一致性、渐近有效性9.最小二乘法和最大似然法的比较：对于普通最小二乘法，当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得模型能最好地拟合样本数据；而对于最大似然法，当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得从模型中抽取该n组样本观测值的概率最大。
计量经济学第5讲 自相关性
数据的“编造” 3、数据的“编造”
在实际经济问题中，有些数据是通过已知数据 生成的。 因此，新生成的数据与原数据间就有了内在的 联系，表现出自相关性。 例如：季度数据 季度数据来自月度数据的简单平均，这 季度数据 种平均的计算减弱了每月数据的波动性，从而使 随机干扰项出现序列相关。 还有就是两个时间点之间的“内插 内插”技术往往 内插 导致随机项的自相关性。
如何得到矩阵 如何得到矩阵？
对的形式进行特殊设定后，才可得到其估计值。 如设定随机扰动项为一阶序列相关形式 i=ρi-1+εi 则 1 ρ ρ
σε ρ Cov (μ, ′) = μ 1 ρ 2 n 1 ρ
2
1
ρ n2
0 0 1 0 0
ρ = σ 2Ω 1
给定α，查临界值χα2(p)，与LM值比较，做出判断， 实际检验中，可从1阶、2阶、…逐次向更高阶检验。
四、自相关性的解决方法 如果模型被检验证明存在自相关性，则 需要发展新的方法估计模型。 最常用的方法是广义最小二乘法 广义最小二乘法（GLS: 广义最小二乘法 Generalized least squares）和广义差分法 广义差分法 (Generalized Difference)。
不 能 确 定
4－dU <D.W.<4－ dL 不能确定
负 相 关
0
dL
dU
2
4-dU 4-dL
当D.W.值在2左右时，模型不存在一阶自相关。 证明： 证明： 展开D.W.统计量：
D.W . = ~ ~ ~~ ∑ et 2 + ∑ et 21 2∑ et et 1
t =2 t =2 t =2 n n n
变换原模型： D-1Y=D-1X β +D-1 即 Y*=X*β + * (*) 该模型具有同方差性和随机误差项互相独立性： 该模型具有同方差性和随机误差项互相独立性
计量经济学自相关实验报告
第六章自相关实验报告一、研究目的对于广大的中国农村人口而言，其消费总量比重却不高。
农村居民的收入和消费是一个值得研究的问题。
消费模型是研究居民消费行为的常用工具。
通过中国农村居民消费模型的分析可判断农村居民的边际消费倾向，这是宏观经济分析的重要参数。
同时，农村居民消费模型也能用于农村居民消费水平的预测。
二、模型设定影响居民消费的因素很多，但由于受各种条件的限制，通常只引入居民收入一个变量做解释变量，即消费模型设定为：+β1X t+ U tY t=β参数说明：Y——农村居民人均消费支出 (单位：元)tX——农村居民人均纯收入（单位：元）tU t——随机误差项收集到数据如下（见表2-1）表2-1 1985-2011年农村居民人均收入和消费单位：元注：资料来源于《中国统计年鉴》1986-2012。
为了消除价格变动因素对农村居民收入和消费支出的影响，不宜直接采用现价人均收入和现价人均消费支出的数据，而需要用经消费价格进行调整后的1985年可比价格及人均纯收入和人均消费支出的数据做回归分析。
根据表2-1中调整后的1985年可比价格计的人均纯收入和人均消费支出的数据，使用普通最小二乘法估计消费模型得如下结果。
表2-2 最小二乘估计结果Dependent Variable: YMethod: Least SquaresDate: 12/04/13 Time: 20:00Sample: 1985 2011Included observations: 27Coefficient Std. Error t-Statistic Prob.C 45.40225 10.30225 4.407025 0.0002X 0.718526 0.012526 57.36069 0.0000R-squared 0.992459 Mean dependent var 580.5296 Adjusted R-squared 0.992157 S.D. dependent var 256.4506 S.E. of regression 22.71079 Akaike info criterion 9.154744 Sum squared resid 12894.50 Schwarz criterion 9.250732 Log likelihood -121.5890 Hannan-Quinn criter. 9.183287 F-statistic 3290.249 Durbin-Watson stat 0.528075 Prob(F-statistic) 0.000000由以上结果得到以下方程:^Y t=45.4022545+0.718526X t（6.1）（10.30225）（0.012526）t = (4.407025) (57.36069)R2=0.992459--R2=0.992157 F=3290.249 DW=0.528075该回归方程可决系数较高，回归系数均显著。
计量经济学实验报告(多元线性回归 自相关 )
计量经济学实验报告(多元线性回归自相关 )1. 背景计量经济学是一门关于经济现象的定量分析方法研究的学科。
它的发展使得我们可以对经济现象进行更加准确的分析和预测，并对社会发展提供有利的政策建议。
本文通过对多元线性回归模型和自相关模型的实验研究，来讨论模型的建立与评价。
2. 多元线性回归模型在多元线性回归模型中，我们可以通过各个自变量对因变量进行预测和解释。
例如，我们可以通过考虑家庭收入、年龄和教育程度等自变量，来预测某个家庭的消费水平。
多元线性回归模型的一般形式为：$y_i=\beta_0+\beta_1 x_{i1}+\beta_2 x_{i2}+...+\beta_k x_{ik}+\epsilon_i$在建立模型之前，我们需要对因变量和自变量进行观测和测算。
例如，我们可以通过调查一定数量的家庭，获得他们的收入、年龄、教育程度和消费水平等数据。
接下来，我们可以通过多元线性回归模型，对家庭消费水平进行预测和解释。
在实际的研究中，我们需要对多元线性回归模型进行评价。
其中一个重要的评价指标是 $R^2$ 值，它表示自变量对因变量的解释程度。
$R^2$ 值越高，说明多元线性回归模型的拟合程度越好。
3. 自相关模型在多元线性回归模型中，我们假设各个误差项之间相互独立，即不存在自相关性。
但实际上，各个误差项之间可能会互相影响，产生自相关性。
例如，在一个气温预测模型中，过去的温度对当前的温度有所影响，说明当前的误差项和过去的误差项之间存在相关性。
我们可以通过自相关函数来研究误差项之间的相关性。
自相关函数表示当前误差项和过去 $l$ 期的误差项之间的相关性。
其中，$l$ 称为阶数。
自相关函数的一般形式为：$\rho_l={\frac{\sum_{t=l+1}^{T}(y_t-\bar{y})(y_{t-l}-\bar{y})}{\sum_{t=1}^{T}(y_t-\bar{y})^2}}$在自相关模型中，我们通过对误差项进行差分或滞后变量，来消除误差项之间的自相关性。
【总结】计量经济学异方差性、多重共线性、自相关的联系与区别知识总结
《计量经济学》中多重共线性、异方差性、自相关三者之间的联系与区别首先我们先来回顾一下经典线性回归模型的基本假设：1、为什么会出现异方差性我们可以从一下两方面来分析：第一，因为随即误差项包括了测量误差和模型中被省略的一些因素对因变量的影响；第二，来自不同抽样单元的因变量观察值之间可能差别很大。
因此，异方差性多出现在截面样本之中。
至于时间序列，则由于因变量观察值来自不同时期的同一样本单元，通常因变量的不同观察值之间的差别不是很大，所以异方差性一般不明显。
含义及影响:y=X β+ε，var(εi )var(εj ), ij ，E(ε)=0，或者记为212200['|]0000n E X σεεσσ⎛⎫⎪=Ω= ⎪ ⎪⎝⎭即违背假设3。
用OLS 估计，所得b 是无偏的，但不是有效的。
111(')'(')'()(')'b X X X y X X X X X X X βεβε---==+=+由于E(ε)=0，所以有E(b )=β。
即满足无偏性。
但是，b 的方差为1111121var(|)[()()'][(')''(')|] (')'['|](') (')'()(')b X E b b E X X X X X X X X X X E X X X X X X X X X X ββεεεεσ------=--===Ω其中212200['|]0000n E X σεεσσ⎛⎫⎪=Ω= ⎪ ⎪⎝⎭2、自相关产生的原因：（1）、经济数据的固有的惯性带来的相关 （2）、模型设定误差带来的相关 （3）、数据的加工带来的相关 含义及影响:cov(,)0,i j i j εε≠≠影响：和异方差一样，系数的ls 估计是无偏的，但不是有效的。
D －W 检验（Durbin －Watson ）221212222121212222112112122211221122121()()()2()()222222(1)n i i i n i i n n n i i i i i i i n i i n n n i i i i i i i n n i i n i i i nn n i i i i nn i ie e d e e e e e e e e e e e e e e e e e e e e e e ρρ=-===-=-====-==-===∑-=∑∑+∑-∑=∑∑+∑-∑--=∑∑+=--∑∑+=--∑≈-其中2121n i i i n i ie e e ρ=-=∑=∑是样本一阶自相关函数。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
自相关是 u1,u2 ,...,un 序列自身的相关，因随机误差
项的关联形式不同而具有不同的自相关形式。 自相关多出现在时间序列数据中。
16
自相关的形式
对于样本观测期为 n 的时间序列数据，可得到总
14
例如，在消费行为中，一个家庭、一个地区的消 费行为可能会影响另外一些家庭和另外一些地 区，就是说不同观测点的随机误差项可能是相 关的。 多数经济时间序列在较长时间内都表现为上升或 下降的超势，因此大多表现为正自相关。但就 自相关本身而言是可以为正相关也可以为负相 关。
15
三、自相关的表现形式
体回归模型(PRF)的随机项为 u1, u2 ,..., un，
如果自相关形式为
ut = ut-1 + vt
-1< <1
其中 为自相关系数， vt为经典误差项，即
E(vt ) 0 , Var(vt ) 2 , Cov(vt , vt+s ) 0 , s 0
则此式称为一阶自回归模式，记为 AR (1) 。因为
本章讨论四个问题：
●什么是自相关 ●自相关的后果 ●自相关的检验 ●自相关性的补救
3
第一节 什么是自相关
本节基本内容:
●什么是自相关 ●自相关产生的原因 ●自相关的表现形式
4
第一节 什么是自相关
一、自相关的概念
自相关（auto correlation），又称序列相关（ serial correlation）是指总体回归模型的随机误 差项之间存在相关关系。即不同观测点上的误 差项彼此相关。
经济系统的惯性
自
相
经济活动的滞后效应
关
产 生
数据处理造成的相关
的
原
蛛网现象
因
模型设定偏误
7
原因1－经济系统的惯性
自相关现象大多出现在时间序列数据中， 而经济系统的经济行为都具有时间上的惯 性。
如GDP、价格、就业等经济指标都会随经 济系统的周期而波动。例如，在经济高涨 时期，较高的经济增长率会持续一段时间， 而在经济衰退期，较高的失业率也会持续 一段时间，这种现象就会表现为经济指标 的自相关现象。
许多农产品的供给呈现为 蛛网现象，供给对价格的 反应要滞后一段时间，因 为供给需要经过一定的时
间才能实现。如果时期 t
的价格 Pt 低于上一期的 价格 Pt-1 ，农民就会减少 时期 t 1的生产量。如
此则形成蛛网现象，此时 的供给模型为:
蛛网现象是微观经济学中的 一个概念。它表示某种商品 的供给量受前一期价格影响 而表现出来的某种规律性， 即呈蛛网状收敛或发散于供 需的均衡点。
8
原因2－ 经济活动的滞后效应
滞后效应是指某一指标对另一指标的影响不仅 限于当期而是延续若干期。由此带来变量的自 相关。 例如，居民当期可支配收入的增加，不会使居 民的消费水平在当期就达到应有水平，而是要 经过若干期才能达到。因为人的消费观念的改 变客观上存在自适应期。
9
原因3－数据处理造成的相关
因为某些原因对数据进行了修整和内插处 理，在这样的数据序列中就会有自相关。 例如，将月度数据调整为季度数据，由于 采用了加合处理，修匀了月度数据的波动， 使季度数据具有平滑性，这种平滑性产生 自相关。对缺失的历史资料，采用特定统 计方法进行内插处理，使得数据前后期相 关，产生了自相关。
10
原因4－蛛网现象
而建立模型时，模型设定为: Yt = 1 + 2 X 2t + ut
则 X3t 对 Yt 的影响便归入随机误差项 ut 中，由 于 ut 在不同观测点上是相关的，这就造成了
在不同观测点是相关的，呈现出系统模式，此
时 ut 是自相关的。 13
模型形式设定偏误也会导致自相关现象。如将 形成本曲线设定为线性成本曲线，则必定会导致 自相关。由设定偏误产生的自相关是一种虚假自 相关，可通过改变模型设定予以消除。 自相关关系主要存在于时间序列数据中，但是在 横截面数据中，也可能会出现自相关,通常称其 为空间自相关（Spatial auto correlation）。
模型中
ut
是
-1
ut
滞后一期的值，因此称为一阶。
此式中的 也称为一阶自相关系数。
17
如果式中的随机误差项 vt 不是经典误差项，即
其中包含有 ut 的成份，如包含有 ut2 则需将 vt
显含在回归模型中，其为
ut = 1ut-1 + 2ut-2 + vt
其中，1 为一阶自相关系数，2为二阶自相关系
1
检验结果表明：回归系数的标准误差非常小，t 统
计量较大，说明居民收入 X 对居民储蓄存款 Y 的
影响非常显著。同时可决系数也非常高，F统计量 为4122.531，也表明模型异常的显著。 但此估计结果可能是虚假的，t统计量和F统计量 都被虚假地夸大，因此所得结果是不可信的。为 什么?
2
第六章 自相关
5
一阶自相关系数
自相关系数 的定义与普通相关系的公式形式相同
n
utut-1
t=2
n
n
ut2
u2 t 1
t2
t2
的取值范围为 -1 1
(6.1)
式（6.1）中 ut-1是 ut 滞后一期的随机误差项。 因此，将式（6.1）计算的自相关系数 称为一阶 自相关系数。
6
二、自相关产生的原因
引子:t检验和F检验一定就可靠吗
研究居民储蓄存款Y 与居民收入X 的关系：
Yt = 1 + 2 X t + ut
用普通最小二乘法估计其参数，结果为
Yˆt = 27.9123 + 0.3524Xt （1.8690） (0.0055)
t = (14.9343) (64.2069) R2 0.9966 F 4122.531
St 1 2Pt1 ut
11
原因5－模型设定偏误
如果模型中省略了某些重要的解释变量或者模型 函数形式不正确，都会产生系统误差，这种误差 存在于随机误差项中，从而带来了自相关。由于 该现象是由于设定失误造成的自相关，因此，也 称其为虚假自相关。
12
例如，应该用两个解释变量，即:
Yt = 1 + 2 X 2t + 3 X 3t + ut
数，vt是经典误差项。此式称为二阶自回归模式，
记为 A。R(2)
18
一般地，如果 u1,u2 ,...,ut 之间的关系为
ut = 1ut-1 + 2ut-2 + ... + mut-m + vt