一、序列相关性产生的原因与后果 二、序列相关性的检验 三、序列相关性的修正 四、修正结果的再检验 五、说明
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：
cov(xi , x j ) 0(i j)
• 在这种情况下数据具有了多重共线性，对于某两 个或多个解释变量而言，它们之间存在着相关性。
1644.222
13760.55
15471.3
二、序列相关性的检验
• 1、散点图法： • 2、D—W检验法： • 3、B.G检验：
1、散点图法：
• 原理：此方法即为计算当前残差与滞后一期残差的散点
图。如果大部分点落在一、三象限，则表明随机项存在正 自相关。如果大部分点落在二、四象限则表明随机项存在 负相关。
3385.98
1985
4107
997.2444
3772.504
4178.396
1986
4495
1039.368
4226.804
4650.277
1987
4973
1081.406
5034.796
5413.767
1988
5452
1102.651
5895.601
6070.256
1989
5848
1068.334
X2
调整后重工业 总产值(亿元)
X3
1971
1384
538.5779
941.0164
1249.546
1972
1524
534.5599
1003.65
1336.679
1973
1668
578.4023
1105.839
1443.431
1974
1688
594.132
1132.299
1415.146
1975
1958
• 具体的经济问题中，一般经验告诉我们，时间序 列为基础的数据所建立的模型，往往存在着多重 共线性。
• 后果： 由于多重共线性的存在已经使数据违背了OLS估
计的五大基本原则，若不对数据进行处理就进行OLS估计， 则会出现以下后果：
• (1)参数的估计量非有效(方差不再是估计值中最小的)。
• (2)变量的显著性检验失去意义。
2、若散点多散布在一三象限，则模型存在着严重的正自相关。 3、若散点多散布在二四象限，则模型存在着严重的负自相关。
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
具体操作方法：
• 第一步、建立工作文档，输入数据并作OLS估计。
目的是得到残差resid。(具体的数据选择和修正步 骤见书，此处从略)
• 第二步、在命令栏键入Scat resid resid(-1) 得到
残差的散点图(见下页图)：
判断标准：
1、若散点在四个 象限呈无规律的散 布状态，则模型不 存在自相关。
603.7374
1289.234
1636.861
1976
2031
599.9047
1319.964
1668.186
1977
2234
598.9484
1491.803
1900.729
1978
2566
642.5943
1663.024
2195.811
1979
2820
639.548
1860.783
2398.544
• (3)模型的预测失效。
• 这些后果的详细解释和其它后果的产生请参阅李子奈版《计量经济学 》P70
我们将拿李子奈书P86的模型作例子：
具体的参数选择和变换这里就不赘述了，大 家看书即可，书上一目了然。 数据见下页：
年份(年)
发电量(亿 千瓦时)
Y
调整后的农 业总产值(亿元)
X1
调整后轻工业总产 值(亿元)
1980
3006
676.8635
2193.141
2458.484
1981
3093
724.1036
2485.255
2340.483
1982
3277
806.6926
2567.282
2543.536
1983351485源自.89792730.836
2897.213
1984
3770
961.6996
3047.297
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。
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。
三、序列相关性的修正：
• 序列相关性的修正主要有两种方法：
5951.881
6225.664
1990
6212
1286.002
6246.959
6404.548
1991
6775
1396.986
7084.703
7416.325
1992
7539
1504.637
8711.156
9748.009
1993
8395
1605.813
10326.95
13143.88
1994
9281
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。
李子奈书P62。
n
(et et1)2
DW t2 n
et2
t 1
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。
具体步骤：
• 对数据进行ols估计，在所得的对话框中：
验、二阶段迭代法)：
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 。
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：
判断标准：
观察表中Probability:
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。
3、Breusch-Godfrey检验(简称B.G检