序列相关的检验和修正.docx
《序列相关的检验和修正.docx》由会员分享，可在线阅读，更多相关《序列相关的检验和修正.docx（13页珍藏版）》请在冰点文库上搜索。
序列相关的检验和修正
序列相关的检验及修正
例题：
中国居民总量消费函数
数据：
年份
GDP
CONS
CPI
TAX
GDPC
X
Y
1978
3605.6
1759.1
46.21
519.28
7802.6
6678.9
3806.8
1979
4092.6
2011.5
47.07
537.82
8694.7
7552.1
4273.4
1980
4592.9
2331.2
50.62
571.70
9073.3
7943.9
4605.3
1981
5008.8
2627.9
51.90
629.89
9650.9
8437.2
5063.4
1982
5590.0
2902.9
52.95
700.02
10557.1
9235.1
5482.3
1983
6216.2
3231.1
54.00
775.59
11511.5
10075.2
5983.5
1984
7362.7
3742.0
55.47
947.35
13273.3
11565.4
6746.0
1985
9076.7
4687.4
60.65
2040.79
14965.7
11600.8
7728.6
1986
10508.5
5302.1
64.57
2090.37
16274.6
13037.2
8211.4
1987
12277.4
6126.1
69.30
2140.36
17716.3
14627.8
8840.0
1988
15388.6
7868.1
82.30
2390.47
18698.2
15793.6
9560.3
1989
17311.3
8812.6
97.00
2727.40
17846.7
15034.9
9085.2
1990
19347.8
9450.9
100.00
2821.86
19347.8
16525.9
9450.9
1991
22577.4
10730.6
103.42
2990.17
21830.8
18939.5
10375.7
1992
27565.2
13000.1
110.03
3296.91
25052.4
22056.1
11815.1
1993
36938.1
16412.1
.20
4255.30
29269.5
25897.6
13004.8
1994
50217.4
21844.2
156.65
5126.88
32057.1
28784.2
13944.6
1995
63216.9
28369.7
183.41
6038.04
34467.5
31175.4
15467.9
1996
74163.6
33955.9
.66
6909.82
37331.9
33853.7
17092.5
1997
81658.5
36921.5
204.21
8234.04
39987.5
35955.4
18080.2
1998
86531.6
39229.3
202.59
9262.80
42712.7
38140.5
19363.9
1999
91125.0
41920.4
.72
10682.58
45626.4
40277.6
20989.6
2000
98749.0
45854.6
200.55
12581.51
49239.1
42965.6
22864.4
2001
108972.4
49213.2
201.94
15301.38
53962.8
46385.6
24370.2
2002
120350.3
52571.3
200.32
17636.45
60079.0
51274.9
26243.7
2003
136398.8
56834.4
202.73
20017.31
67281.0
57407.1
28034.5
2004
160280.4
63833.5
210.63
24165.68
76095.7
64622.7
30306.0
2005
188692.1
71217.5
214.42
28778.54
88001.2
74579.6
33214.0
2006
221170.5
80120.5
217.65
34809.72
101617.5
85624.1
36811.6
1、建立回归模型，模型的OLS估计
（1）录入数据
打开EViews6，点“File”→“New”→“Workfile”
选择“Dated-regularfrequency”，在Frequency后选择“Annual”，在Startdata后输入1978，在Enddata后输入2006，点击“ok”。
在命令行输入：
DATAXY，回车
将数据复制粘贴到Group中的表格中：
（2）估计回归方程
在命令行输入命令：
LSYCX，回车
或者在主菜单中点“Quick”→“EstimateEquation”，在Specification中输入YCX，点“确定”。
得到如下输出：
写出估计结果：
（6.243）（47.）
=0.9880
0.9875F=2214.537D.W.=0.277
2、序列相关的检验
（1）图示检验法
作残差序列的时序图：
保存残差虚列：
GENRE=RESID
作图：
PLOTE
从图上可以看出，模型的最小二乘残差开始连续几期小于0，接着连续几期都大于0，这种模式的残差意味着模型可能存在正的序列相关性。
做
和
的关系图：
SCATE（-1）E
从上面的散点图可以看出，
和
之间可以拟合一个线性模型：
=
且回归直线的斜率为正（ρ>0），表明模型存在正的序列相关性。
（2）DW检验
由OLS估计的结果可知：
D.W.=0.277。
查DW分布的临界值表，k=2，n=29时，
=1.34，
=1.48，显然0<0.277<
，因此模型存在一阶正的自相关。
（3）回归检验法
拟合模型：
=
，并运用OLS估计模型：
LSEE（-1）
得到如下结果：
写出回归结果：
（8.148）
回归系数的t统计量为8.148，伴随概率P=0.0000<α=0.05，表明原模型存在一阶序列相关。
拟合模型：
=
，并运用OLS估计模型：
LSEE（-1）E（-2）
得到如下结果：
写出回归结果：
（10.895）（-5.567）
回归系数和的t统计量分别为10.895、-5.567，相应的伴随概率P=0.0000<α=0.05，表明原模型存在二阶序列相关。
拟合模型：
=
，并运用OLS估计模型：
LSEE（-1）E（-2）E（-3），回车，得到如下结果：
写出回归结果：
（7.280）（-1.277）（-1.182）
回归系数的t统计量为7.280，相应的伴随概率P1=0.0000<α=0.05，表明显著不为零，但和的t统计量分别为-1.277、-1.182，相应的伴随概率P2=0.2144，P3=0.2491，均大于α=0.05，表明原模型不存在三阶序列相关。
综上，原模型有二阶序列相关。
（4）LM检验
首先采用OLS估计模型，在弹出的Equation窗口，点View→ResidualTests→SerialcorrelationLMTest…，弹出下面的对话框：
点“OK”。
得到下面的输出：
从上面的输出可知：
LM=23.65686，Prob.Chi-Square
（2）=0.0000，小于α=0.05，且辅助回归中RESID（-1）和RESID（-2）的系数均显著不为0（对应t统计量的P值均小于0.05），说明模型具有2节序列相关。
在Equation窗口，点View→ResidualTests→SerialcorrelationLMTest…，在弹出的对话框里将滞后阶数改为3：
点“OK”。
得到下面的输出：
这时，LM=23.96054，Prob.Chi-Square
（2）=0.0000，小于α=0.05，但辅助回归中RESID（-2）和RESID（-3）的系数不显著（对应t统计量的P值均大于0.05），说明模型仅存在2阶序列相关，不具有3阶的序列相关。
3、序列相关的修正
（1）广义差分法
已知模型具有2阶序列相关，在命令行输入命令：
LSYCXAR
（1）AR
（2）回车
得到下面的输出：
写出修正后的模型：
=130348.8+0.2796X+1.3902AR
（1）-0.3922AR
（2）
（0.049）（4.309）（6.526）（-1.681）
=0.9988=0.9987F=6536.97D.W=1.9514
（2）序列相关稳健估计法
在主菜单中点“Quick”→“EstimateEquation”，在Specification中输入YCX，然后点击“Options”，在弹出的对话框里选择“Heteroskedasticityconsistentcoefficient”——“Newey—West”，点“确定”。
得到如下输出：
写出估计结果：
=2091.282+0.4375X
（4.238）（22.294）
=0.988=0.988F=2214.54D.W=0.277
升级会员 