序列相关性补救

《序列相关性补救》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、序列相关性序列相关的补救广义最小二乘法广义差分法目录contents随机误差项相关系数的估计虚假序列相关问题序列相关的补救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（GLS:Generalizedleastsquares）和广义差分法(GeneralizedDifference)。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是一对称正定矩阵，存在一可逆矩阵D，使得=DD’定义:最具有普遍意义的最小二乘法.普通最小二乘法和加权最小二乘法是它的特例。广义最小二乘法变换原模型：D-1Y=D

2、-1X+D-1即Y*=X*+*(*)该模型具有同方差性和随机误差项互相独立性：(*)式的OLS估计：这就是原模型的广义最小二乘估计量(GLSestimators)，是无偏的、有效的估计量。广义最小二乘法如何得到矩阵？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=i-1+i则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。如果原模型存在可以将原模型变换为:该模型为广义差分模型，不存在序列相关问题。可进行OLS估计。随机误差项相关系数的估计应用广义最小二乘法或广义差分法，必须已知随机

3、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。常用的估计方法有：科克伦-奥科特（Cochrane-Orcutt）迭代法。杜宾（durbin）两步法随机误差项相关系数的估计应用广义最小二乘法或广义差分法，必须已知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。常用的估计方法有：科克伦-奥科特（Cochrane-Orcutt）迭代法。杜宾（durbin）两步法科克伦-奥科特迭代法以一元线性模型为例：首先，采用OLS法估计原模型Yi=0+1Xi+i得

4、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=1i-1+2i-2+Li-L+i科克伦-奥科特迭代法求出i新的“近拟估计值”，并以之作为样本观测值，再次估计i=1i-1+2i-2+Li-L+i科克伦-奥科特迭代法类似地，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-奥科特两步法。杜宾（durbin）两步法该方法仍是先估计1,

5、2,,l，再对差分模型进行估计第一步，变换差分模型为下列形式进行OLS估计，得各Yj（j=i-1,i-2,…,i-l)前的系数1,2,,l的估计值杜宾（durbin）两步法应用软件中的广义差分法在Eview/TSP软件包下，广义差分采用了科克伦-奥科特（Cochrane-Orcutt）迭代法估计。在解释变量中引入AR(1)、AR(2)、…，即可得到参数和ρ1、ρ2、…的估计值。其中AR(m)表示随机误差项的m阶自回归。在估计过程中自动完成了ρ1、ρ2、…的迭代。应用软件中的广义差分法注意：如果能够找到一种方法，求得Ω或各序列相关系数j的估计量，

6、使得GLS能够实现，则称为可行的广义最小二乘法（FGLS,FeasibleGeneralizedLeastSquares）。FGLS估计量，也称为可行的广义最小二乘估计量（feasiblegeneralleastsquaresestimators）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-奥科特迭代法下，估计量也具有渐近有效性。前面提出的方法，就是FGLS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，这种情形可称为虚假序列相关(falseautocorrelation)，应在模型设定

7、中排除。避免产生虚假序列相关性的措施是在开始时建立一个“一般”的模型，然后逐渐剔除确实不显著的变量。THANKYOU谢谢大家！