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GDPCONSCPITAXGDPCXY19783605.6 1759.1 46.21 519.28 7802.6 6678.9 3806.8 19794092.6 2011.5 47.07 537.82 8694.7 7552.1 4273.4 19804592.9 2331.2 50.62 571.70 9073.3 7943.9 4605.3 19815008.8 2627.9 51.90 629.89 9650.9 8437.2 5063.4 19825590.0 2902.9 52.95 700.02 10557.1 9235.1 5482.3 19836216.2 3231.1 54.00 775.59 11511.5 10075.2 5983.5 19847362.7 3742.0 55.47 947.35 13273.3 11565.4 6746.0 19859076.7 4687.4 60.65 2040.79 14965.7 11600.8 7728.6 198610508.5 5302.1 64.57 2090.37 16274.6 13037.2 8211.4 198712277.4 6126.1 69.30 2140.36 17716.3 14627.8 8840.0 198815388.6 7868.1 82.30 2390.47 18698.2 15793.6 9560.3 198917311.3 8812.6 97.00 2727.40 17846.7 15034.9 9085.2 199019347.8 9450.9 100.00 2821.86 19347.8 16525.9 9450.9 199122577.4 10730.6 103.42 2990.17 21830.8 18939.5 10375.7 199227565.2 13000.1 110.03 3296.91 25052.4 22056.1 11815.1 199336938.1 16412.1 126.20 4255.30 29269.5 25897.6 13004.8 199450217.4 21844.2 156.65 5126.88 32057.1 28784.2 13944.6 199563216.9 28369.7 183.41 6038.04 34467.5 31175.4 15467.9 199674163.6 33955.9 198.66 6909.82 37331.9 33853.7 17092.5 199781658.5 36921.5 204.21 8234.04 39987.5 35955.4 18080.2 199886531.6 39229.3 202.59 9262.80 42712.7 38140.5 19363.9 199991125.0 41920.4 199.72 10682.58 45626.4 40277.6 20989.6 200098749.0 45854.6 200.55 12581.51 49239.1 42965.6 22864.4 2001108972.4 49213.2 201.94 15301.38 53962.8 46385.6 24370.2 2002120350.3 52571.3 200.32 17636.45 60079.0 51274.9 26243.7 2003136398.8 56834.4 202.73 20017.31 67281.0 57407.1 28034.5 2004160280.4 63833.5 210.63 24165.68 76095.7 64622.7 30306.0 2005188692.1 71217.5 214.42 28778.54 88001.2 74579.6 33214.0 2006221170.5 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-regular frequency”,在Frequency 后选择“Annual”,在Start data后输入1978,在End data 后输入2006,点击“ok”。在命令行输入:DATA X Y,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:LS Y C X, 回车或者在主菜单中点“Quick”“Estimate Equation”,在Specification中输入 Y C X,点“确定”。得到如下输出:写出估计结果: (6.243) (47.059) =0.9880 0.9875 F=2214.537 D.W.=0.2772、 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: GENR E=RESID作图: PLOT E 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: SCAT E(-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(r>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:LS E E(-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<a=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:LS E E(-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<a=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:LS E E(-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<a=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a=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ViewResidual TestsSerial correlation LM Test,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a=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ViewResidual TestsSerial correlation LM Test,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a=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:LS Y C X AR(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 =0.9987 F=6536.97 D.W=1.9514(2) 序列相关稳健估计法 在主菜单中点“Quick”“Estimate Equation”,在Specification中输入 Y C X,然后点击“Options”,在弹出的对话框里选择“Heteroskedasticity consistent coefficient”“NeweyWest”,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 =0.988 F=2214.54 D.W=0.277