1、第 9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 (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
2、 AR(1)，这是常见的一种序列相关问题。（ 7-3）（ 7-2）自相关往往可以写成如下形式： （ 7-4）其中 称 为 自 协 方差系数或一 阶 自回 归 系数，是 满 足以下 标 准 OLS假定的随机干 扰项 ：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
3、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 （ 7-5） 但在进行回归时，却把模型设定为如下形式：7-6） （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： 其中 Y代表
4、边际成本， X代表产出。（ 7-8） 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：（ 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：(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 t是随机，从而出现蛛网式的序列相关。
