南开计量经济学课件(7)

二、产生自相关的原因
（1）经济变量的惯性——时间序列变量的自相关导致干扰项的自相关 （2）应进入模型的变量未被引入模型，能引起自相关 （3）回归模型的的形式设定存在错误 （4）蛛网现象：应变量对子变量的反应滞后 （5）滞后效应：应变量受其前几期取值的影响 （6）数据“编造”。数据的加工过程（如季度数据）或推算过程（根据某 种 假定获得未调查数据）引起自相关 （7）随机项自身可能存在“真正自相关”性（偶然性冲击对变量的长期影 响）
2 ( x x ) t t 1 t2 n
D
其中，C和D未校正因子（关于ρ的表达式，较小）。 可以利用 ˆ Y ˆX
1 2
ˆ。 得到 1
二、忽略自相关使用OLS估计的后果 利用OLS估计，得到的估计值和方差都与GLS估计不同。根据前面关于 OLS估计的线性和无偏性的证明，OLS估计是线性无偏的，但是考虑到干扰 项的自相关，OLS估计是无效的。
（同方差假定）
2
u
这与异方差一样，影响OLS 估计的结果。
第二节 存在自相关的OLS估计
一、考虑自相关的GLS估计 对于二元回归模型：
Yt 1 2 X t u t Yt 1 1 2 X Y1 1 2 X 1 u 1 其中 u t u t 1 v t


2
x
2 t
如果ρ=0，估计结果是相同的。在存在自相关的情况下，参数的 GLS估计式和方差估计式中均有自相关系数ρ，因此，忽略自相关的OLS 估计值和方差都是不可信的。
第三节 自相关的探察
一、图示法
ˆt , u ˆt 1 的散点图 1、绘制 u
ˆ ˆ ˆ ˆ ,u , ,u ,u 首先利用OLS回归后，求出残差 u 1 2 t 1 t。

REPORTING
2024/1/28
23
EViews软件介绍及操作指南
EViews软件概述
EViews是一款功能强大的计量经济学 软件，提供数据处理、统计分析、模型
估计和预测等功能。
统计分析与检验
2024/1/28
详细讲解EViews中的统计分析工具， 包括描述性统计、假设检验、方差分
析等。
数据导入与预处理 介绍如何在EViews中导入数据，进行 数据清洗、转换和预处理等操作。
随着大数据时代的到来，机器学 习算法在数据挖掘、预测和分类 等方面展现出强大的能力，为计 量经济学提供了新的研究工具和 方法。
机器学习在计量经济 学中的应用领域
机器学习在计量经济学中的应用 领域广泛，如变量选择、模型选 择、非线性模型估计、高维数据 处理等。
机器学习在计量经济 学中的常用算法
机器学习在计量经济学中常用的 算法包括决策树、随机森林、支 持向量机（SVM）、神经网络等。 这些算法可以用于分类、回归、 聚类等任务，提高模型的预测精 度和解释力。
面板数据特点
同时具有时间序列和截面数据的特征，能够提供更多的信息、更多的变化、更少共 线性、更多的自由度和更高的估计效率。
2024/1/28
20
固定效应模型与随机效应模型
固定效应模型（Fixed Effects Model）
对于特定的个体而言，其截距项是固定的，不随时间变化而变化。
随机效应模型（Random Effects Mode…
经典线性回归模型
REPORTING
2024/1/28
7
一元线性回归模型
模型设定与参数估计
介绍一元线性回归模型的基本形式， 解释因变量、自变量和误差项的含义， 阐述最小二乘法（OLS）进行参数估 计的原理。

非线性模型转换方法
多项式回归
通过引入自变量的高次项，将非线性关系转化为线性 关系进行处理。
变量变换
对自变量或因变量进行某种函数变换，以改善模型的 拟合效果。
非参数回归
不假定具体的函数形式，通过数据驱动的方式拟合非 线性关系。
实例分析：金融时间序列预测
数据准备
收集金融时间序列数据，如股票 价格、交易量等，并进行预处理。
模型选择依据
Hausman检验，LM检验等。
实例分析：经济增长收敛性问题研究
研究背景
探讨不同国家或地区间经济增长差异及其收 敛性。
模型构建
选择合适的面板数据模型，设定经济增长收 敛假设。
实证分析
收集相关数据，运用计量经济学软件进行回 归分析，检验收敛性假设是否成立。
结论与政策建议
根据实证结果得出结论，提出促进经济增长 收敛的政策建议。
机器学习算法与计量经济学模型结合
将机器学习算法与传统计量经济学模型相结合，形成更具解释性和预测能力的混合模型。
大数据背景下计量经济学挑战与机遇
01
大数据背景概述
数据量巨大、类型多样、处理速度快等 特点。
02
计量经济学面临的挑 战
数据质量、计算效率、模型可解释性等 问题。
03
计量经济学面临的机 遇
利用大数据技术挖掘更多信息，提高模 型预测精度和政策评估效果；同时推动 计量经济学理论和方法的发展创新。
Geary's C指数
与Moran's I指数类似，也是用于检验全局空间自相关。
LISA集聚图 用于检验局部空间自相关，可以直观展示空间集聚或异常 值区域。
空间滞后和空间误差模型选择
空间滞后模型（SLM）

检验判断1994年之前和之后两段时期消费函数是否产生显著的
差异。
7.2 模型的稳定性检验
2、Chow预测检验
Chow预测检验是先对包含前T1个观察值的子样本 建立模型，然后用这个模型对后T2个观察值的自变量 进行预测，如果实际值与预测值有很大变动，就可以 怀疑模型中存在结构性变化。T1 和T2的相对大小，没 有确定的规则，可能根据如战争、石油危机、经济改 革等明显的转折点来确定，如果不存在这样明显的转 折点，常用的方法是用85%-90%的数据进行估计，剩 余的数据进行检验。
7.2 模型的稳定性检验
1、Chow断点（Breakpoint）检验
实例一：估计C-D函数 log(Y ) 0 1 log(L) 2 log(K )
（1）1929－1967年数据估计如下 log(Y ) 3.938 1.451log(L) 0.384log(K )
R 2 0.9946 , R 2 0.9943 , RSS 0.0434 （2）分1929-1948和1949－1967两段数据估计如下 log(Y ) 4.058 1.617log(L) 0.220log(K )
3、冗余（Redundant)变量检验
检验一部分变量的统计显著性，通过判断方程中一
部分变量系数是否与0没有显著差异，决定是否从方程 中剔除这些变量，检验方法可以通过F检验和似然比 （LR）检验。 冗余变量检验是遗漏变量检验逆过程。
Eviews实现过程：
View－Coefficient Tests－Redundant Variables－
7.2 模型的稳定性检验
1、Chow断点（Breakpoint）检验（邹至庄断点检验） 思想：对每个子样本单独拟合方程，并与对于全部样本 拟合方程进行比较，来观察每个子样本的估计方程是否 有显著差异，判断是否存在结构变化。 零假设：两个子样本拟合的方程无显著差异。即结 构没有发生变化。 如果拒绝零假设，则代表有显著差异，意味着模型 中存在结构变化。