序列自相关检验及修正
序列相关
§4.2 序列相关
违反五项基本假 定第三点，即违反 了随机扰动项之间 相互独立的假定， 称为序列相关。
王昭制作
●学习内容：
• • • • • 一、序列相关定义及其类型 二、实际经济问题中的序列相关性 三、序列相关性的后果 四、序列相关性的检验 五、序列相关性的修正
王中昭制作
一、序列相关定义及其类型
● 5、由随机扰动项本身特性所决定
• 在许多情况下，真实的随机扰动项的各 项值是相关的，例如：旱涝、地震、战争、 罢工等纯随机因素所产生的影响将会延续 一段时期，从而导致随机扰动项序列相关。 • 因为被解释变量与随机误差项具有相同 的分布（只有数学期望不同而已）。 • 可以证明：如果因变量观测值之间如果 存在相关性，则随机扰动项之间也就存在 相关性。
王中昭制作
2、回归检验法
ˆt 为被解释变量，以各种可能的相 • 以e 2 ˆt 1, e ˆt 2 , e ˆt 1 等作为解释变量 关量，如 e 建立各种方程：
ˆt e ˆt 1 t , e t 2,3,...,n ˆt 1e ˆt 1 2e ˆt 2 t , e t 3,4,...... ,n
资料来源： 《中国统计年鉴》 （1995、2000、2002） 。
• 最好是把M和GDP化为同货币单。首先作散点图。
王中昭制作
M与GDP的散点图，从图中可知道，两 者近似直线关系。
王中昭制作
估计结果如下：
• 下面进行序列相关性检验
王中昭制作
法一：图解法，在求出模型后，再输入时间变量t, t=1,2,3,……24。 再作et与et-1的散点图或et与t的散点图。 其中 et= yty^t=resid, 在此题中，et存在正的序列相关。
什么是序列相关性如何进行序列相关性的检验与处理
什么是序列相关性如何进行序列相关性的检验与处理序列相关性是指一系列数据中存在的相关性或依赖关系。
它可以帮助我们了解数据的趋势、周期性以及对未来数据的预测。
在统计学中，序列相关性的检验和处理是非常重要的，可以帮助我们提取有用的信息和建立可靠的模型。
本文将介绍序列相关性的定义、如何进行序列相关性的检验以及处理方法。
一、序列相关性的定义序列相关性是指时间序列数据中的观察值之间的相关性或依赖关系。
当一个时间序列的观察值和它之前或之后的观察值之间存在关联时，就可以说这个时间序列是相关的。
序列相关性表明序列中的数据点之间存在某种模式或趋势，这对于分析和预测时间序列数据具有重要意义。
二、序列相关性的检验为了检验时间序列数据是否存在相关性，我们可以使用常用的统计方法，例如自相关函数（ACF）和偏自相关函数（PACF）。
自相关函数是衡量一个时间序列和其滞后版本之间相关性的统计指标。
它可以帮助我们确定序列中的周期性模式。
在自相关函数图中，横轴表示滞后阶数，纵轴表示相关系数。
如果自相关函数在某个滞后阶数上超过了置信区间，那么可以认为有相关性存在。
偏自相关函数是衡量一个时间序列和其滞后版本之间相关性的统计指标，消除了其他滞后版本的影响。
在偏自相关函数图中，横轴表示滞后阶数，纵轴表示相关系数。
如果偏自相关函数在某个滞后阶数上超过了置信区间，那么可以认为有相关性存在。
另外，我们还可以使用单位根检验（ADF检验）来检验序列是否平稳。
平稳序列的相关性更容易进行建模和预测。
如果序列通过了单位根检验，那么就可以认为序列是平稳的。
三、序列相关性的处理如果时间序列数据存在相关性，那么我们可以采取一些方法进行处理，以消除或减小相关性的影响。
首先，可以进行差分操作。
差分是指将时间序列的每个观察值与其滞后版本之间的差异进行计算。
差分后的序列通常更容易建模，因为它们消除了相关性。
如果还存在差分后的序列中的相关性，可以继续进行更高阶的差分操作。
修正序列相关的方法
修正序列相关的方法
修正序列相关问题的方法有多种，以下是一些常用的方法：
1. 广义最小二乘法：该方法通过对原模型加权，使之变成一个新的不存在异方差性的模型，然后采用普通最小二乘法估计其参数。
2. 广义差分法：通过广义差分变换消除序列相关问题，然后再进行回归分析。
3. 序列相关稳健估计法：该方法利用计算机运算速度快、适合做重复性操作的特点，让计算机对一组指令进行重复执行，在每次执行这组指令时，都从变量的原值推出它的一个新值。
4. 图示法：通过绘制散点图或相关图来直观地展示序列相关性，从而发现问题并进行修正。
5. 回归检验法：通过回归方程的残差进行序列相关性检验，如果存在序列相关性，则需要进行修正。
6. 杜宾-瓦特森检验法：该方法用于检验模型是否存在序列相关性，如果存在，则需要采取相应的修正措施。
7. 拉格朗日乘数检验法：通过检验模型的残差是否存在序列相关性来确定是否存在误设定的时间序列模型。
以上方法仅供参考，具体使用哪种方法需要结合数据和模型的特点进行选择。
自相关(序列相关)
高阶序列相关的广义差分法
如果原模型存在：
i 1 i 1 2 i 2 l i l i
(2.5.11)
可以将原模型变换为：
Yi 1Yi 1 l Yi l 0 (1 1 l ) 1 ( X i 1 X i 1 l X i l ) i
yt 0 1x1t 2 x2t k xkt yt 1 ut
（4）回归含有截距项； （5）没有缺落数据。
一阶自相关的Dubin-watson检验
自相关存在时，有 ut ut 1 v，vt无自相关。 t Covut , ut 1 相关系数： ，
三、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
i 1 l ,2 l , , n
(2.5.12) 模型(2.5.12)为广义差分模型，该模型不存在序列相 关问题。采用OLS法估计可以得到原模型参数的无偏、 有效的估计量。 广义差分法可以克服所有类型的序列相关带来的问题， 一阶差分法是它的一个特例。
随机误差项相关系数的估计
应用广义差分法，必须已知不同样本点之间随机误差 项的相关系数1, 2,…, l 。实际上，人们并不知道它 们的具体数值，所以必须首先对它们进行估计。
Euiu j 0, i j
i
如果仅是Eut ut 1 0 ，称有一阶自相关 二、实际经济问题中的序列相关性
计量经济学 —理论方法EVIEWS应用--第七章 序列相关性
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
（7-2）
如果仅存在
E ( ) 0 , i 1 , 2 , . . . , n i i 1
（7-3）
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。
D .W .
不存在一阶自相关，构造如下统计量： t
t
( eˆ
t2
n
ˆt 1 ) 2 e
2 t
eˆ
t 1
n
杜宾—沃森证明该统计量的分布与出现在给定样本中的X值有复杂的关系，
其准确的抽样或概率分布很难得到；
因为D.W.值要从
eˆ t 中算出，而 eˆ t
又依赖于给定的X的值。
2 χ 因此D-W检验不同于t、F或 检验，它没有唯一的临界值可以导出拒绝或
用OLS法估计序列相关的模型得到的随机误差项的方差不仅是 有偏的，而且这一偏误也将传递到用OLS方法得到的参数估计 量的方差中来，从而使得建立在OLS参数估计量方差基础上的 变量显著性检验失去意义。
以一元回归模型为例，
Y X i 0 1 i i
2
ˆ) Var ( 1 2 xt
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71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ar1这是常见的一种序列相关问题
—理论· 方法· EViews应用
郭存芝 杜延军 李春吉 编著
二、回归检验法
， eˆ， 以 e ˆ t 为解释变量，以各种可能的相关变量，诸如 t1
自相关检验方法
自相关检验方法自相关检验是一种时间序列分析方法，用于检测一个时间序列是否存在自相关关系。
自相关意味着一个时间序列中过去的值会对未来的值产生影响，因此这种检验在研究时间序列数据的影响因素时非常有用。
在进行自相关检验前，需要首先了解一些基本概念。
时间序列是指同一现象在不同时间点观测所得到的数据。
自相关是指一个时间序列中过去的值与现在值之间的关系。
自相关系数是用来衡量自相关强度的指标，其值范围在-1到1之间。
如果自相关系数为正，则表明时间序列中过去的值与现在值呈正相关关系；如果自相关系数为负，则表示它们呈负相关关系；若为0，表示它们之间无自相关关系。
对于自相关检验，经典的方法是使用Ljung-Box检验和Durbin-Watson检验。
Ljung-Box检验用来检验时间序列是否存在自相关关系。
它计算出一系列自相关系数，然后比较它们与随机分布的期望值，从而得出时间序列是否有显著的自相关关系。
这个检验需要提供用于计算的自相关滞后数（lags），通常建议在10~20之间选择适当的值。
如果Ljung-Box统计量的p值小于显著性水平（例如0.05），则可以推断该时间序列存在自相关关系。
Durbin-Watson检验也是一种常用的自相关检验方法，它特别适用于AR(1)模型。
该检验利用AR(1)模型的自相关系数的特性，基于残差的一阶自相关系数来判断时间序列的自相关性。
Durbin-Watson检验的检验统计量为DW，其范围为0到4。
一般DW值在2左右表明无自相关关系，小于2表明有正自相关关系，大于2表明有负自相关关系。
在进行自相关检验时，还需要注意以下几点：1. 时间序列的长度和样本容量要充分，否则结果会不够可靠。
2. 自相关检验只能检测线性自相关，其他形式的自相关关系无法检测。
3. 对于复杂的时间序列，可能需要采用其他更为复杂的自相关检验方法。
总之，自相关检验是一种重要的时间序列分析方法，可以用来检测时间序列中的自相关关系。
时间序列模型 自相关性和协整检验
8
T
(uˆt uˆt1)2
D.W . t2 T
uˆt2
2(1 ˆ )
t 1
如果序列不相关，D.W.值在2附近。
如果存在正序列相关，D.W.值将小于2。
如果存在负序列相关，D.W.值将在2～4之间。
正序列相关最为普遍，根据经验，对于有大于50个观测 值和较少解释变量的方程，D.W.值小于1.5的情况，说明残 差序列存在强的正一阶序列相关。
第五章 时间序列模型
关于标准回归技术及其预测和检验我们已经在 前面的章节讨论过了，本章着重于时间序列模型的估 计和定义，这些分析均是基于单方程回归方法，第9 章我们还会讨论时间序列的向量自回归模型。
这一部分属于动态计量经济学的范畴。通常是运 用时间序列的过去值、当期值及滞后扰动项的加权和 建立模型，来“解释”时间序列的变化规律。
10
2 . 相关图和Q -统计量
1. 自相关系数 我们还可以应用所估计回归方程残差序列的自相关系数
和偏自相关系数来检验序列相关。时间序列 ut 滞后 k 阶的
自相关系数由下式估计
rk
T
t k 1
ut
u
utk u
TtLeabharlann 1utu2
（5.2.26）
其中 u 是序列的样本均值，这是相距 k 期值的相关系数。
15
反之，如果，在某一滞后阶数 p，Q-统计量超过设定 的显著性水平的临界值，则拒绝原假设，说明残差序列存 在 p 阶自相关。由于Q-统计量的 P 值要根据自由度 p 来 估算，因此，一个较大的样本容量是保证Q-统计量有效 的重要因素。
在EViews软件中的操作方法： 在方程工具栏选择View/Residual Tests/correlogramQ-statistics。EViews将显示残差的自相关和偏自相关函数 以及对应于高阶序列相关的Ljung-Box Q统计量。如果残 差不存在序列相关，在各阶滞后的自相关和偏自相关值都 接近于零。所有的Q-统计量不显著，并且有大的 P 值。
第六章 自相关(序列相关)
可以证明： 1－ 2 － 1 C＝ 0 2 1－ 0
2
0 0 1 0 0 － 0 0 0 － 1 0
1－ 2 Cy 以 1－ C左乘原模型，并定义y 1－ 2 CX， 1－ 2 C X
则变换后的扰动项 满足球型扰动项的假设， 故高斯－马尔可夫定理成立（因为这种变换是 GLS的一个特例）
1－ 2 － 1－ 2 Cy＝ 0 y 0
0 0 y1 1 0 0 y2 － 0 0 yn 0 － 1 0
第六章 自相关（序列相关）
一、自相关的后果 违反球型扰动项假定的另一情形是自相关。若存在 i j使得E i j X 0，即扰动项的协方差阵Var X 的非主对角线元素不全为0，则称存在“自相关” （autocorrelation）或“序列相关”（serial correlation）
其中， Var u t ，而1＝ ，
2 u 2
1 2 故一阶自相关系数 ＝ 2 ＝ 0
由课件第三章p21， 2＝ ， ， n-1＝ ，故
2 2 n-1 2
1 2 Var X ＝ n-1
1
1－ 2 y1＝ 1－ 2 1＋ 1－ 2 2 x12＋＋ 1－ 2 k x1k＋1 y 2－ y1＝1－ 1＋ 2 x 22－ x12 ＋＋ k x 2k－ x1k ＋ 2 y n－ y n-1＝1－ 1＋ 2 x n 2－ x n-1， ＋＋ k x nk－ x n-1，k 2 ＋ 2
因此辅助回归的解释变量e t-1， ，e t-p必与扰动项相 关，导致不一致的估计。这就是所谓的随机解释变 量问题，后面会介绍。若引入解释变量x t1， ，x tk 将使BG检验更加稳健 由于使用了滞后残差值e t-p，损失了p个样本值，故
- 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)。
可编辑ppt
11
序列自相关检验及修正
可编辑ppt
12
序列自相关检验及修正
Mt=78.09+0.938Mt-1-0.469Mt-2+0.055GDPt0.096GDPt-1+0.054GDPt-2
R2=0.9913 D.W.=2.31
可编辑ppt
13
序列自相关检验及修正
第二步，作差分变换：点对象窗口工具栏上的 genr按钮，在对话框中输入等式1[mnew=m0.938*m(-1)+0.469*m(-2)]和等式 2[gdpnew=gdp-0.938*gdp(-1)+0.469*gdp(2)],再对新得到的mnew关于gdpnew进行OLS估 计，其结果见图六：
可编辑ppt
5
序列自相关检验及修正
二、D.W.检验 在5%的显著性水平下，n=24,k=2,查表得出
d1=1.27，du=1.45，D.W.=0.628<d1，故存在 正自相关。
可编辑ppt
6
序列自相关检验及修正
三、G-B检验（拉格朗日乘数检验） 点击View\Residual Test\Serial Correlation LM
可编辑ppt
17
序列自相关检验及修正
可编辑ppt
18
序列自相关检验及修正
2阶广义差分的估计结果为： Mt=169.32+0.020GDPt+1.108AR(1)-0.801AR(2) D.W.=1.85>du=1.66,表明经广义差分变换后的模
型已不存在序列相关性。
可编辑ppt
19
R2=0.6615
LM=13.89，大于显著性水平为5%，自由度为3的临界
值x20.05（3）=7.815，原模型仍存在序列相关性，但 由于et-3的参数不显著，说明不存在3阶序列相关性。
可编辑ppt
10
序列自相关检验及修正
三、序列相关的补救 1、杜宾两步法过程
第一步：先将组m gdp打开，点Proc\Make Equations…在specification中输入变量： m m(-1) m(-2) gdp gdp(-1) gdp(-2) C,点确定 得到估计结果，见图五同理，可以作出含3阶滞后残差项的辅助回归方 程：
可编辑ppt
9
序列自相关检验及修正
辅助回归方程为：
et=6.692-0.0003*GDP+1.108*et-1（0.228）（-0.497）（4.541）
0.819et-2+0.032et-3 （-1.842）（0.087）
序列自相关检验及修正
可编辑ppt
1
序列自相关检验及修正
序列相关性：模型的随机干扰项违背了相互独立 的基本假设。
产生原因：1、经济变量固有的惯性2、模型设定 的偏误3、数据的“编造”
序列相关性的后果：1、参数估计量非有效2、变 量的显著性检验失去意义3、模型的预测失效
可编辑ppt
2
序列自相关检验及修正
Test，Lag取2，得到（见图三）：
可编辑ppt
7
序列自相关检验及修正
含2阶滞后残差项的辅助回归为： et=6.593-0.0003*GDP+1.094*et-1-0.786et-2
（0.231）（-0.504）（6.231）（-3.692） R2=0.6614
LM=22*0.6614=14.55，该值大于显著性水平为 5%，自由度为2的x2分布的临界值x20.05（2） =5.991，由此判断原模型存在2阶序列自相关。
可编辑ppt
14
序列自相关检验及修正
可编辑ppt
15
序列自相关检验及修正
Mnew=86.18+0.02GDPnew (2.76) (16.46)
D.W.=1.583 ,在5%的显著性水平下， D.W.>du=1.43,已不存在自相关。
可编辑ppt
16
序列自相关检验及修正
2、科克伦-奥科特迭代法 将组m gdp打开，点Proc\Make Equations…在 specification中输入的变量：m gdp ar(1) ar(2) c，点确定得到结果（见图七）
下面我们使用中国商品进口M与国内生产总值 GDP的关系数据进行分析。
可编辑ppt
3
序列自相关检验及修正
一、首先进行OLS的估计，其结果见图一：
可编辑ppt
4
序列自相关检验及修正
二、进行序列相关性的检验 1、序列相关检验（残差图），点View \Actual,
Fitted, Residual \Residual Graph得到 图二：