第三讲序列相关性的检验重要演示文稿.ppt

第三讲序列相关性的检验重要演示文稿
1页，共26页，星期二。
（优选）第三讲序列相关性的检验重要
2页，共26页，星期二。
一、序列相关性产生的原因与后果：
原因：数据违背了OLS估计的五条基本前提假设之一：
在星期二。
2、D—W检验法：
原理：若数据不存在序列相关性，则et和et-1成随机关系，两者的差较为适中，此时DW值则会取一个适中值。而若存在序列相关性的话，则DW的分子会过大或过小，进而影响DW的值。具体的数学证明见李子奈书P62。
Durbin-Watson检验用于随机误差项之间是否存在一阶自相关的情况。 DW∈(0，4)
DW值在每次的ols估计中都会由EViews系统自动算出，因此这种方法比较简便易行。
11页，共26页，星期二。
具体步骤：
对数据进行ols估计，在所得的对话框中：
12页，共26页，星期二。
判断标准：
(1)DW<dL,存在正自相关
(2)DW>4-dL，存在负自相关
(3)dU<DW<4-dU,不存在自相关性
dL与dU的值是根据不同样本的容量N和解释变量的个数P，在给定的不同显著性水平下查得的。
直观上理解，DW值越靠近2，则越不具备自相关性。
13页，共26页，星期二。
具体操作方法：
第一步、在OLS估计结果对话框中选择view——Residual test——serial correlation LM test 。
3、Breusch-Godfrey检验(、二阶段迭代法)：
14页，共26页，星期二。
第二步、设定用以检验的序列相关的阶数。键入1表示检验一阶序列相关。
第三步、点击确定后，出现估计的对话框：
15页，共26页，星期二。
若值非常大，我们就接受原假设(原数据不存在序列相关性)，拒绝备择假设(原数据存在序列相关性)，即认为模型不具有自相关性。
判断标准：
观察表中Probability:
若值非常小，我们就拒绝原假设(原数据不存在序列相关性)，接受备择假设(原数据存在序列相关性)，即认为模型具有自相关性。
16页，共26页，星期二。
三、序列相关性的修正：
序列相关性的修正主要有两种方法：
1、广义最小二乘法
2、差分法
说明：可能会出现进行一次或多次广义最小二乘法后，仍不能良好地消除序列相关性的情况，这时可以进行差分法对数据进行修正。
但差分法对数据的影响较大，这会造成修正后的估计值有比较大的误差。两种方法各有利弊。
一般进行差分法后，不但能将序列相关性消除，而且能将异方差性的影响一并消除。
17页，共26页，星期二。
1、广义最小二乘法：
由于WLS步骤和异方差基本相同，另外经常出现进行一次或多次广义最小二乘法后，仍不能良好地消除序列相关性的情况。因此我们不再讲述WLS的具体操作步骤。
18页，共26页，星期二。
2、差分法
原理：采用普通最小二乘法估计原模型，得到随机误差项的“近似估计值”，然后利用该“近似估计值”求得随机误差项相关系数的估计量。语言可能不太好表达，大家可以随着差分法的步骤一步步地体会。
19页，共26页，星期二。
具体步骤：
第一步、首先对原始数据进行ols估计，得到残差序列(为了下面好表示，我们命残差为e，命令为genr e=resid)
第二步、对残差及其滞后变量进行ols估计，目的是找到其系数。输入命令ls e e(-1) c得到：
20页，共26页，星期二。
将这个系数记录下来： Coefficient=
21页，共26页，星期二。
第三步、将变量都取对数：
依次输入命令：
genr ly=log(y)
genr lx1=log(x1)
genr lx4=log(x4)
genr lx5=log(x5)
第四步、构造滞后变量：
依次输入命令：
genr lly=ly-*ly(-1)
genr llx1=lx1-*lx1(-1)
genr llx4=lx4-*lx4(-1)
genr llx5=lx5-*lx5(-1)
22页，共26页，星期二。
至此，我们建立的workfile中便多了许多数据，
如图：
23页，共26页，星期二。
第五步、对新构造的这组数据(lly llx1 llx4 llx5)进行ols估计：键入命令： Ls lly c llx1 llx4 llx5 ，得到OLS估计结果：
24页，共26页，星期二。
结果分析