08_自相关

第8章 自相关

8.1 自相关的后果

除了异方差，违反球形扰动项的另一情形是扰动项存在自相关。

定义 自相关(autocorrelation) / 序列相关(serial correlation)

对于\(\{\epsilon_1,\cdots,\epsilon_n\}\)，如果存在\(i \ne j\)，使得\(E(\epsilon_i\epsilon_j|X)\ne 0\)，即协方差矩阵\(Var(\epsilon|X)\)的非主对角线不全为0，则存在自相关或序列相关。

存在自相关的情况下:

  1. OLS估计量依然是无偏的、一致的、渐近正态的。
  2. OLS估计量方差\(Var(\hat\beta|X)\)的表达式不再是\(\sigma^2(X’X)^{-1}\)，即\(Var(\epsilon|X) \ne \sigma^2I\)
    • 普通标准误的t检验、F检验失效。
  3. 高斯马尔可夫定理不再成立，OLS不再是BLUE。

8.2 自相关的例子

例子：

  1. 时间序列自相关。
    • 经济活动通常具有某种连续性或持久性，在时间序列中比较常见。
  2. 横截面数据中的自相关。
    • 相邻单位存在溢出效应，空间自相关。
  3. 对数据的人为处理。
    • MA、内插值、季节调整
  4. 设定误差。
    • 遗漏了某个自相关的解释变量。

8.3 自相关的检验

1.画图

  • 将残差\(e_t\)与残差滞后项 \(e_{t-1}\) 画成散点图
  • 计算残差的各阶样本相关系数 \(\hat\rho_k\)，是滞后阶数 \(k\) 的函数，将 \((k,\hat\rho_k)\) 画图。

2.BG检验

(Breusch，1978；Godfrey，1979)

  • 考虑多元线性模型: \(y_i=\beta_1+\beta_2x_{i2}+\cdots+\beta_Kx_{iK}+\epsilon_t\)
  • 假设扰动项 \(\epsilon_t\) 存在一阶(高阶)自相关：\(\epsilon_t = \gamma_1\epsilon_{t-1} +\cdots+\gamma_p\epsilon_{t-p}+ \mu_t \quad (t = p+1,\cdots,n)\)
  • 由于 \(\epsilon_t\) 不可观测，用 \(e_t\) 替代
    • 如果遗漏 \(x_{t}\)，可能导致扰动项与 \(e_t\) 相关，使得估计不一致。
    • 所以辅助回归为： \(e_t=\gamma_1e_{t-1} +\cdots+\gamma_pe_{t-p}+ \delta_2x_{t2} +\cdots+\delta_kx_{tk}+ v_t\)
  • 原假设（无自相关性）为：\(H_0:\gamma_1=\cdots=\gamma_p=0\)
  • 拉格朗日统计量：$$LM=(n-p)R^2 \xrightarrow{d} \chi^2(p)$$

(Davidson-MacKinnon，1993)：直接把残差中因滞后而缺失的项用期望值0代替。

3.Q检验

另一种思路是检验各阶自相关系数均为0。

  • 原假设：\(H_0:\rho_1=\cdots=\rho_p=0\)
  • 大样本下，如果原假设成立，\(\hat\rho_j\) 依概率收敛于0，\(\sqrt n \hat\rho_j\) 服从渐近正态分布。
    • BP-Q统计量：平方和（对 \(j\) 求和）渐近卡方分布$$Q_{BP} \equiv n\sum_{j=1}p\hat\rho_j2 \xrightarrow{d} \chi^2(p)$$

(Box&Pierce，1970)

  • 小样本下，经过改进的Ljung-Box Q统计量性质更好，大样本等价与BPQ。
    • LB-Q统计量：调整了自由度$$Q_{LB}\equiv n(n+2)\sum_{j=1}p\frac{\hat\rho_j2}{n-j} \xrightarrow{d} \chi^2(p)$$

Ljung&Box，1979

4.DW检验

DW检验是较早出现的检验，现已不常用。

  • 只能检验一阶自相关
  • 统计量依赖于数据矩阵X

那就不看了。

8.4 自相关的处理

经过检验发现存在自相关时，有如下四种处理方法。

1.使用“OLS+异方差自相关稳健的标准误” ——NW法

因在存在自相关的情况下，OLS估计量依然无偏且一致，故仍可使用OLS进行回归估计。为了正确进行统计推断，须使用异方差自相关稳健的标准误，这种方法称为Newey-West估计法

  • HAC：Heteroskedasticity and Autocorrelation Consistent Standard Error
  • 只改变标准误的估计值，不改变回归系数的估计值
  • 一般取\(p=n^{1/4}\) 或 \(p=0.75n^{1/3}\) ，比p更高阶的自相关系数将被截断不考虑，p就是截断参数。

Newwy和West，1987

2.准差分法

准差分法(quasi difference) / Cochrane-Orcutt估计法

思路：变换原模型使转换后的扰动项变成球形扰动项。

  • 假设原模型：\(y_t=\beta_1+\beta_2x_{t2}+\cdots+\beta_Kx_{tK}+\epsilon_t \quad (t=1,\cdots,n)\)
    • 其中 \(\epsilon_t\) 存在自相关，且一阶自相关：\(\epsilon_t=\rho\epsilon_{t-1}+\mu_t\)
      • 自回归系数\(|\rho|<1\)
      • \(\mu_t\)为白噪声
  • 将原模型滞后一期，两边同乘 \(\rho\) ：\(\rho y_{t-1}=\rho(\beta_1+\beta_2x_{t-1,2}+\cdots+\beta_Kx_{t-1,K}+\epsilon_{t-1})\)
  • 方程组（n-1个) 的扰动项为球形扰动项，可消除异方差，且消除了自相关。$$y_t-\rho y_{t-1}=(1-\rho)\beta_1+\beta_2(x_{t2}-\rho x_{t-1,2})+\cdots+\beta_K(x_{tK}-\rho x_{t-1,K})+(\underbrace{\epsilon_t-\rho\epsilon_{t-1}}_{\mu_t})\quad {(8.14)}$$

但问题是：损失了一个样本容量，不是最有效率的BLUE。

Cochrane和Orcutt，1949

Prais-Winsten估计法 / PW

思路：不损失样本的话，就需要补一个\(y_1\)的方程，且同方差、无自相关

  • 因：\((1 -\rho^2)\sigma_{\epsilon}^2 = \sigma_{\mu}^2\)
  • 故：\(\sqrt{1-\rho^2}y_1\)是同方差的，为球形扰动项。将如下方程加入（8.14）就可得到BLUE。$$\sqrt{1-\rho2}y_1=\sqrt{1-\rho2}\beta_1+\sqrt{1-\rho2}x_{12}+\cdots+\sqrt{1-\rho2}x_{1K}+\sqrt{1-\rho^2}\epsilon_1$$

Paris和Winsten，1954，简称PW

无论CO估计法还是PW估计法均不可行(infeasible)，在实践中必须用数据估计一阶自回归系数\(\hat\beta\)：

  • OLS残差进行辅助回归：\(e_t=\hat\rho e_{t-1}+error_t\)
  • 残差的一阶自相关系数：$$\hat\rho=\frac{\sum_{t=2}ne_te_{t-1}}{\sum_{t-1}n e_t^2}$$
  • DW统计量进行估计：\(\hat\rho=1-\frac{DW}{2}\)

常使用迭代法进行估计，具体步骤：

  • 首先，用OLS估计原模型，用残差 {e} 作辅助回归，得到 \(\hat\rho^{(1)}\)，再用 \(\hat\rho^{(1)}\)进行CO或PW估计
  • 然后，用CO或PW得到的新残差估计 \(\hat\rho^{(2)}\)，再用 \(\hat\rho^{(2)}\) 进行CO或PW估计
  • 依次类推，直至收敛（即相邻两轮的\(\rho\)与系数估计值之差足够小）。

3.广义最小二乘法

如果同时存在异方差和自相关，应该使用广义最小二乘法（Generalized Least Square，GLS）
思路：通过变量转换，使得转换后的模型满足球形扰动项。

  • 协方差矩阵 \(Var(\epsilon |X)=\sigma^2V(X)\) ，首先找到非退化矩阵 C，使得 \(V^{-1}=C'C\)
  • 将原模型 \(y=X\beta+\epsilon\) 两边同时左乘C，得到\(Cy=CX\beta+C\epsilon\)
  • 记上面的方程为：\(\tilde y=\tilde X\beta+\tilde \epsilon\)
  • 可证明：\(Var(\tilde \epsilon|\tilde X)=\sigma^2 I_n\)
  • 使用OLS即可得到GLS估计量，与C无关，虽然C不唯一，但是\(\hat \beta_{GLS}\) 唯一:

\[\hat \beta_{GLS}=(\tilde X' \tilde X )^{-1}\tilde X' y=(X'V^{-1}X)^{-1}X'V^{-1}y \]

  • 此估计量是BLUE，且比OLS有效率。

定义 可行广义最小二乘法

  • 前提条件是要知道协方差矩阵V，而V通常未知，GLS是不可行的。
  • 在实践中，必须通过数据估计\(\hat V\)，再进行GLS，称为（FGLS）。

命题 对于对称正定矩阵\(V_{n\times n}\)，存在非退化矩阵\(C_{n\times n}\)，使得\(V^{-1}=C'C\)

4.修改模型设定

有些情况，自相关深层原因可能就是模型设定错了。因此，最好从改进模型设定着手，而不是机械的使用FGLS。

8.5 处理自相关的python命令及实例

1.时间序列算子

![[pandas_docs#16. 时间序列相关的实例方法：]]

2.画残差图

sm.graphics.tsa.plot_acf(y, ax=plt.gca(),zero=False,lags=15)
plt.show()

![[8-5-1残差自相关图.png]]

3.BG检验

from statsmodels.stats.diagnostic import acorr_breusch_godfrey

bg_result = acorr_breusch_godfrey(results, nlags=1)

4.Q检验

from statsmodels.stats.diagnostic import acorr_ljungbox

bp_result = acorr_ljungbox(results.resid,
                           lags=[i for i in range(1, 14)],
                           boxpierce=True,
                           return_df=True,
                           # auto_lag=True
                           )

5.DW检验

# from statsmodel.stats impotr durbin_watson

sm.stats.durbin_watson(results.resid)

6.HAC稳健标准误

![[statsmodel_docs#处理方法：HAC稳健标准误]]

7.处理一阶自相关的FGLS

此部分内容很复杂，代码后续补充

posted @ 2024-05-03 22:02  王大桃zzZ  阅读(173)  评论(0)  编辑  收藏  举报