1、4.2 序列相关性序列相关性 Serial Correlation 一、一、序列相关性概念序列相关性概念 二、实际经济问题中的序列相关性二、实际经济问题中的序列相关性 三、序列相关性的后果三、序列相关性的后果 四、序列相关性的检验四、序列相关性的检验 五、具有序列相关性模型的估计五、具有序列相关性模型的估计 六、案例六、案例 4.2 序列相关性序列相关性 一、序列相关性概念一、序列相关性概念 如果对于不同的样本点，随机误差项之间不再如果对于不同的样本点，随机误差项之间不再 是不相关的，而是存在某种相关性，则认为出现是不相关的，而是存在某种相关性，则认为出现 了了序列相关性序列相关性。 对于模型
2、 Yi=0+1X1i+2X2i+kXki+i i=1,2, ,n 随机项互不相关的基本假设表现为 Cov(i , j)=0 ij, i,j=1,2, ,n 在其他假设仍成立的条件下，序列相关序列相关即意味着 0)( ji E 2 1 1 2 )( )( )()( n n E E ECov 2 1 1 2 n n I 22 或 称为一阶列相关一阶列相关，或自相关自相关（autocorrelation） 其中：被称为自协方差系数自协方差系数（coefficient of autocovariance）或一阶自相关系数一阶自相关系数（first-order coefficient of autoco
3、rrelation） i是满足以下标准的OLS假定的随机干扰项： 如果仅存在 E(i i+1)0 i=1,2, ,n 自相关自相关往往可写成如下形式： i=i-1+i -11 0)( i E, 2 )var( i , 0),cov( sii 0s 由于序列相关性经常出现在以时间序列为样本的模型中，由于序列相关性经常出现在以时间序列为样本的模型中， 因此，本节将用下标因此，本节将用下标t代表代表i。 二、实际经济问题中的序列相关性二、实际经济问题中的序列相关性 大多数经济时间数据都有一个明显的特点:惯性惯性， 表现在时间序列不同时间的前后关联上。 由于消费习惯消费习惯的影响被包含在随机误差项中，
4、则 可能出现序列相关性（往往是正相关 ）。 例如，例如，绝对收入假设绝对收入假设下居民总消费函数模型居民总消费函数模型： Ct=0+1Yt+t t=1,2,n 1 1、经济变量固有的惯性、经济变量固有的惯性 2 2、模型设定的偏误、模型设定的偏误 所谓模型设定偏误设定偏误（Specification error）是指 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。 例如例如，本来应该估计的模型为 Yt=0+1X1t+ 2X2t + 3X3t + t 但在模型设定中做了下述回归： Yt=0+1X1t+ 1X2t + vt 因此， vt=3X3t + t，如果
5、X3确实影响Y，则出 现序列相关。 但建模时设立了如下模型： Yt= 0+1Xt+vt 因此，由于vt= 2Xt2+t, ，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。 又如：如果真实的边际成本回归模型应为： Yt= 0+1Xt+2Xt2+t 其中：Y=边际成本，X=产出， 3 3、数据的、数据的“编造编造” 例如：季度数据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 导致随机项的序列相关性。 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
6、据间就有了内在的 联系，表现出序列相关性。 计量经济学模型一旦出现序列相关性，如果仍 采用OLS法估计模型参数，会产生下列不良后果： 二、序列相关性的后果二、序列相关性的后果 1 1、参数估计量非有效、参数估计量非有效 因为，在有效性证明中利用了 E(NN)=2I 即同方差性和互相独立性条件。 而且，在大样本情况下，参数估计量虽然具有参数估计量虽然具有 一致性，但仍然不具有渐近有效性。一致性，但仍然不具有渐近有效性。 2、变量的显著性检验失去意义、变量的显著性检验失去意义 在变量的显著性检验中，统计量是建立在参 数方差正确估计基础之上的，这只有当随机误差 项具有同方差性和互相独立性时才能成立。
7、 其他检验也是如此。 3、模型的预测失效模型的预测失效 区间预测与参数估计量的方差有关，在区间预测与参数估计量的方差有关，在 方差有偏误的情况下，使得预测估计不准方差有偏误的情况下，使得预测估计不准 确，预测精度降低。确，预测精度降低。 所以，所以，当模型出现序列相关性时，它的当模型出现序列相关性时，它的 预测功能失效。预测功能失效。 三、序列相关性的检验三、序列相关性的检验 然后然后，通过分析这些“近似估计量近似估计量”之间的相 关性，以判断随机误差项是否具有序列相关性。 序列相关性序列相关性检验方法有多种，但基本思路相同：检验方法有多种，但基本思路相同： 首先首先， 采用 OLS法估计模型
8、， 以求得随机误差项的 “近似估计量近似估计量” ，用 ei表示： lsiii YYe 0 ) ( 基本思路基本思路: : 三、序列相关性的检验三、序列相关性的检验 1 1、图示法、图示法 2 2、回归检验法、回归检验法 以t e 为被解释变量， 以各种可能的相关量， 诸如以1 t e 、 2 t e 、 2 t e 等为解释变量，建立各种方程： ttt ee 1 tttt eee 2211 如果存在某一种函数形式，使得方程显著成 立，则说明原模型存在序列相关性。 回归检验法回归检验法的优点优点是：（1）能够确定序列相 关的形式，（2）适用于任何类型序列相关性问 题的检验。 3 3、杜宾、杜宾
9、- -瓦森（瓦森（Durbin-WatsonDurbin-Watson）检验法）检验法 D-W检验是杜宾（检验是杜宾（J.Durbin）和）和瓦森瓦森(G.S. (G.S. Watson)Watson)于于19511951年提出的一种检验序列自相关的方年提出的一种检验序列自相关的方 法法，该方法的假定条件是该方法的假定条件是： （1）解释变量X非随机； （2）随机误差项i为一阶自回归形式： i=i-1+i （3）回归模型中不应含有滞后应变量作为解释变 量，即不应出现下列形式： Yi=0+1X1i+kXki+Yi-1+i （4）回归含有截距项 该统计量该统计量的分布与出现在给定样本中的X值有复杂
10、 的关系，因此其精确的分布很难得到精确的分布很难得到。 但是但是，他们成功地导出了临界值的下限dL和 上限dU ，且这些上下限只与样本的容量n和解 释变量的个数k有关，而与解释变量X的取值无 关。 杜宾和瓦森针对原假设：H0: =0， 即不存在一 阶自回归，构如下造统计量： n t t n t tt e ee WD 1 2 2 2 1 ) ( . D.W. 统计量统计量: D.W检验步骤检验步骤: （1）计算DW值 （2）给定，由n和k的大小查DW分布表，得临界值dL和dU （3）比较、判断 若 0D.W.dL 存在正自相关 dLD.W.dU 不能确定 dU D.W.4dU 无自相关 4dU
11、D.W.4 dL 不能确定 4dL D.W.4 存在负自相关 0 dL dU 2 4-dU 4-dL 正 相 关 不 能 确 定 无自相关 不 能 确 定 负 相 关 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： n t t n t n t n t tttt e eeee WD 1 2 222 1 2 1 2 2 . (*) )1 (2) 1 (2. 1 2 2 1 n t t n t tt e ee WD 如果存在如果存在完全一阶正相关完全一阶正相关，即，即 =1，则，则 D.W. 0 完全一阶负相关完全一阶负相关，即，即 = -1, 则则 D.W. 4
12、 完全不相关完全不相关， 即即 =0，则，则 D.W. 2 这里， n t t n t tt n t t n t tt eeeeee 2 2 2 1 1 2 2 1 为一阶自回归模型 i=i-1+i 的参数估计。 )1 (2) 1 (2. 1 2 2 1 n t t n t tt e ee WD 4、拉格朗日乘数（、拉格朗日乘数（Lagrange multiplier）检验）检验 拉格朗日乘数检验克服了DW检验的缺陷，适合 于高阶序列相关以及模型中存在滞后被解释变量 的情形。 它是由布劳殊（Breusch）与戈弗雷（Godfrey） 于1978年提出的，也被称为GB检验检验。 ikikiii
13、XXXY 22110 对于模型 如果怀疑随机扰动项存在p阶序列相关阶序列相关： tptpttt 2211 GB检验可用来检验如下受约束回归方程 tptptktktt XXY 11110 约束条件为： H0: 1=2=p =0 约束条件H0为真时，大样本下 )()( 22 pRpnLM 其中，n为样本容量，R2为如下辅助回归的可决系数： tptptktktt eeXXe 11110 给定，查临界值2(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。 如果模型被检验证明存在序列相关性， 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:
14、 Generalized least squares）和广义差分法广义差分法 (Generalized Difference)。 四、序列相关的补救四、序列相关的补救 1 1、广义最小二乘法、广义最小二乘法 对于模型 Y=X + 如果存在序列相关，同时存在异方差，即有 , 2 2 21 2 2 221 112 2 1 )()Cov( nnn n n E 是一对称正定矩阵，存在一可逆矩阵D，使得 =DD 变换原模型： D-1Y=D-1X +D-1 即 Y*=X* + * (*) 121121 1111 )()()( DDDDDD DDDD * EEE I 2 (*)式的OLS估计： * 1 *
15、)( YXXX YXXX YDDXXDDX 111 11111 )( )( 这就是原模型的这就是原模型的广义最小二乘估计量广义最小二乘估计量(GLS estimators)， 是无偏的、有效的估计量。是无偏的、有效的估计量。 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： 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。 10000 01000 00010 00001 000001 2 1 D , 2 21 2 1 2 2 1 1 1 1 )( nn n n Cov 如设定随机扰动项为一阶序列相关形式 i=i-1+i 则 2 2、广
16、义差分法、广义差分法 广义差分法广义差分法是将原模型变换为满足OLS法的差 分模型，再进行OLS估计。 ikikiii XXXY 22110 如果原模型 存在 tltlttt 2211 可以将原模型变换为: )()1 ( 1111111011ltlttlltltt XXXYYY tlktlktktk XXX )( 11 该模型为广义差分模型广义差分模型，不存在序列相关问题。 可进行OLS估计。 注意： 广义差分法广义差分法就是上述广义最小二乘法广义最小二乘法，但是 却损失了部分样本观测值。 如：如：一阶序列相关的情况下,广义差分是估计 tktktktttt XXXXYY )()()1 ( 11
17、11101 nt, 3 , 2 这相当于 10000 01000 00010 00001 000001 2 1 D 去掉第一行后左乘原模型Y=X + 。即运用了GLS法， 但第一次观测值被排除了。 3 3、随机误差项相关系数的估计、随机误差项相关系数的估计 应用应用广义最小二乘法广义最小二乘法或或广义差分法广义差分法，必须已知随，必须已知随 机误差项的相关系数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。须首先对它们进行估计。 常用的估计方法有：常用的估计方法有： 科克伦科克伦-奥科特奥科
18、特（Cochrane-Orcutt）迭代法迭代法。 杜宾杜宾（durbin）两步法两步法 （1）科克伦科克伦-奥科特迭代法奥科特迭代法。 以一元线性模型为例： 首先首先，采用OLS法估计原模型 Yi=0+1Xi+i 得到的的“近似估计值”，并以之作为观测值 使用OLS法估计下式 i=1i-1+2i-2+Li-L+i 得到 , , 12 l，作为随机误差项的相关系 数 12 , l的第一次估计值第一次估计值。 求出i新的“近拟估计值”， 并以之作为样本 观测值，再次估计 i=1i-1+2i-2+Li-L+i illn12 , ililiillilii XXXYYY )()1 ( 1111011
19、类似地，可进行第三次、第四次迭代。类似地，可进行第三次、第四次迭代。 关于迭代的次数，可根据具体的问题来定。 一般是事先给出一个精度，当相邻两次1,2, ,L的估计值之差小于这一精度时，迭代终止。 实践中，有时只要迭代两次，就可得到较满意 的结果。两次迭代过程也被称为科克伦科克伦-奥科特奥科特 两步法两步法。 （2）杜宾）杜宾（durbin）两步法两步法 该方法仍是先估计该方法仍是先估计 1, 2, l，再对差分，再对差分 模型进行估计模型进行估计 第一步第一步，变换差分模型为下列形式 ililiillilii XXXYYY )()1 ( 1111011 illn12 , 进行OLS估计，得各
20、Yj（j=i-1, i-2, ,i-l)前的系 数1,2, , l的估计值 第二步第二步，将估计的 l , 21 代入差分模型 ililiillilii XXXYYY )()1 ( 1111011 illn12 , 采用 OLS 法估计，得到参数 110 ),1 ( l 的 估计量，记为 * 0 ， * 1 。 于是： )1 ( 1 * 00l ， * 11 应用软件中的广义差分法应用软件中的广义差分法 在在Eview/TSP软件包下，广义差分采用了科克伦软件包下，广义差分采用了科克伦- 奥科特（奥科特（Cochrane-Orcutt）迭代法估计）迭代法估计 。 在解释变量中引入在解释变量中引
21、入AR(1)(1)、AR(2)(2)、，即可得即可得 到参数和到参数和1、2、的估计值。的估计值。 其中其中AR( (m) )表示随机误差项的表示随机误差项的m阶自回归。在阶自回归。在 估计过程中自动完成了估计过程中自动完成了1、2、的迭代。的迭代。 如果能够找到一种方法，求得如果能够找到一种方法，求得或或各序列相关各序列相关 系数系数j的估计量，使得的估计量，使得GLS能够实现，则称为能够实现，则称为 可行的广义最小二乘法可行的广义最小二乘法（FGLS, Feasible Generalized Least Squares）。）。 FGLS估计量估计量，也称为也称为可行的广义最小二乘估计可行
22、的广义最小二乘估计 量量（feasible general least squares estimators） 可行的广义最小二乘估计量不再是无偏的，但可行的广义最小二乘估计量不再是无偏的，但 却是一致的，而且在科克伦却是一致的，而且在科克伦- -奥科特迭代法下，奥科特迭代法下， 估计量也具有渐近有效性。估计量也具有渐近有效性。 前面提出的方法，就是前面提出的方法，就是FGLS 注意：注意： 4 4、虚假序列相关问题、虚假序列相关问题 由于随机项的序列相关往往是在模型设由于随机项的序列相关往往是在模型设 定中遗漏了重要的解释变量或对模型的函定中遗漏了重要的解释变量或对模型的函 数形式设定有误，
23、这种情形可称为数形式设定有误，这种情形可称为虚假序虚假序 列相关列相关(false autocorrelation) ，应在模型，应在模型 设定中排除。设定中排除。 避免产生虚假序列相关性的措施是在开避免产生虚假序列相关性的措施是在开 始时建立一个始时建立一个“一般一般”的模型，然后逐渐的模型，然后逐渐 剔除确实不显著的变量。剔除确实不显著的变量。 五、案例：中国商品进口模型五、案例：中国商品进口模型 经济理论指出，商品进口商品进口主要由进口国的经经 济发展水平济发展水平，以及商品进口价格指数商品进口价格指数与国内价格国内价格 指数指数对比因素决定的。 由于无法取得中国商品进口价格指数，我们
24、主要研究中国商品进口与国内生产总值的关系。 （下表）。 表表 4.2.14.2.1 19782001 年中国商品进口与国内生产总值年中国商品进口与国内生产总值 国内生产总值 GDP （亿元） 商品进口 M （亿美元） 国内生产总值 GDP （亿元） 商品进口 M （亿美元） 1978 3624.1 108.9 1990 18547.9 533.5 1979 4038.2 156.7 1991 21617.8 637.9 1980 4517.8 200.2 1992 26638.1 805.9 1981 4862.4 220.2 1993 34634.4 1039.6 1982 5294.7 1
25、92.9 1994 46759.4 1156.1 1983 5934.5 213.9 1995 58478.1 1320.8 1984 7171.0 274.1 1996 67884.6 1388.3 1985 8964.4 422.5 1997 74462.6 1423.7 1986 10202.2 429.1 1998 78345.2 1402.4 1987 11962.5 432.1 1999 82067.46 1657 1988 14928.3 552.7 2000 89442.2 2250.9 1989 16909.2 591.4 2001 95933.3 2436.1 资料来源：
26、中国统计年鉴 （1995、2000、2002） 。 1. 通过通过OLS法建立如下中国商品进口方程：法建立如下中国商品进口方程： tt GDPM02. 091.152 （2.32） （20.12） 2. 进行序列相关性检验。进行序列相关性检验。 DW检验检验 取=5%，由于n=24，k=2(包含常数项)，查表得： dl=1.27， du=1.45 由于 DW=0.628 20.05(2) 故: 存在正自相关存在正自相关 2 2阶滞后：阶滞后： 3阶滞后： 321 032. 0 819. 0 108. 10003. 0692. 6 tttt eeeGDPe (0.22) (-0.497) (4.
27、541) （-1.842） （0.087） R2=0.6615 于是，LM=210.6614=13.89 取=5%，2分布的临界值20.05(3)=7.815 LM 20.05(3) 表明: 存在正自相关；但存在正自相关；但 t-3 t-3的参数不显著，说 的参数不显著，说 明不存在明不存在3 3阶序列相关性。阶序列相关性。 3、运用广义差分法进行自相关的处理、运用广义差分法进行自相关的处理 （1）采用杜宾两步法估计）采用杜宾两步法估计 第一步第一步，估计模型 ttttttt GDPGDPGDPMMM 2 * 31 * 2 * 12211 * 0 2121 054. 0096. 0055. 0
28、469. 0938. 009.78 tttttt GDPGDPGDPMMM （1.76） (6.64) (-1.76) (5.88) (-5.19) (5.30) 第二步第二步，作差分变换： )469. 0938. 0( 21 * tttt MMMM )469. 0938. 0( 21 * tttt GDPGDPGDPGDP 则则M*关于关于GDP*的的OLS估计结果为：估计结果为： * 020. 018.86 tt GDPM （2.76） (16.46) 取=5%，DWdu=1.43 (样本容量24-2=22) 表明：已不存在自相关 162.300.469)0.938- /(186.18)1
29、/( 21 * 00 于是原模型为： tt GDPM020. 030.162 与与OLS估计结果的差别只在估计结果的差别只在截距项截距项： tt GDPM02. 091.152 （2）采用科克伦）采用科克伦-奥科特迭代法估计奥科特迭代法估计 在在Eviews软包下，软包下，2阶广义差分的结果为：阶广义差分的结果为： 取=5% ，DWdu=1.66(样本容量:22) 表明:广义差分模型已不存在序列相关性。 2801. 0 1 108. 1020. 032.169 ARARGDPM tt (3.81) (18.45) (6.11) (-3.61) 可以验证可以验证: : 仅采用1阶广义差分，变换后的模 型仍存在1阶自相关性； 采用3阶广义差分，变换后的模型不再有自相 关性，但AR3的系数的t值不显著。
