计量经济学课件05-自相关

式中若随机项 ut 满足基本假定：
E(εt ) = 0
εt 为白噪声
Var (εt ) = s2 Cov(εt , εt+s ) = 0
Yt= bo + b1 Xt + ut
（1）
如果自相关系数 为已知，将上式滞后一期
Yt-1= bo + b1 Xt-1 + ut-1
两边乘以
Yt-1= bo + b1 Xt-1 + ut-1
= (X’ P’ P X ) -1 X’ P’ P Y
= (X’ -1 X ) -1 X’ -1 Y
~ B
称为广义最小二乘估计量
1、 当 = I 时， B~ = ( X’ X ) -1 X’ Y ，广义最小二乘 估计量就是普通最小二乘估计量。
2、 当模型存在异方差时：
12
0
...
0
Ω
0
2 2
三、杜宾两步法
这种方法是先估计^ 再作差分变换，然后用OLS法来
估计参数。步骤是： 1、将模型(3)的差分形式写为
Yt = bo (1 )+ Yt-1 + b1 Xt b1 Xt-1 + Vt
Yt = ao + Yt-1 + a1 Xt + a2 Xt-1 + Vt
式中：
ao = bo (1 )
如b图所示，散点在II, IV象限，
表明存在负自相关。
二、杜宾—瓦森检验
DW检验是检验自相关的最著名、最常用的 方法。
1、适用条件 2、检验步骤
–（1）提出假设 –（2）构造统计量 –（3）检验判断
1、适用条件
（1）回归模型中含有截距项； （2）解释变量与随机扰动项不相关； （3）随机扰动项是一阶自相关； （4）回归模型解释变量中不包含滞后因变量； （5）样本容量比较大。

42
Cochrane-Orcutt(1949) 估计(舍弃第一期观察 值)
prais D.rs LD.r20,corc
prais D.rs LD.r20,rho(dw) corc Prais-Winsten(1954) 估计(对第一期观察值进行 处理 sqrt(1-rho^2)*y1)
prais D.rs LD.r20
estat hettest,rhs （使用方程右边的解释变量，而
不是yˆ ）
最初的BP 检验假设扰动项服从正态分布，有一定局
限性。Koenker（1981）将此假定放松为iid，在
实际中较多采用，其命令为：
estat hettest, iid
estat hettest, rhs iid
整理版课件
16
系数完全相同，但标准差和t值不同。
整理版课件
40
可行广义最小二乘法（FGLS）：广义差分法：
CO-PW方法Cochrane-Orcutt(1949) 估计 (舍弃第一期观察值)
Prais-Winsten(1954) 估计(对第一期观察值 进行处理 sqrt(1-rho^2)*y1)
整理版课件
41
整理版课件
1
n
E
121n nn1n2va1 r)( co1 v ,(n) 2 0
2I
con v,(1) varn)( 0 2
整理版课件
2
此时可得：
Var()2(X'X)1
在存在异方差的情况下：
V a r ()2 (X 'X ) 1 X ' X (X 'X ) 1
estat hettest,normal
整理版课件

计量经济学第六章自相关自相关是计量经济学中一种重要的现象，它指的是一个变量与其自己在过去时间点上的相关性。

自相关在实证研究中十分常见，对经济学家来说，了解和掌握自相关性质是至关重要的。

1. 引言自相关作为计量经济学的一项基础概念，是经济学研究中不可或缺的一个重要方法。

自相关性的存在通常会引起回归结果的偏误，而忽略自相关性可能导致估计不准确的结果。

因此，探讨自相关性的性质和应对方法是计量经济学的重点之一。

2. 自相关的定义和表示自相关是指一个变量与其自身在过去时间点上的相关性。

假设我们有一个时间序列数据集，其中变量yt表示一个时间点上的观测值，t表示时间索引。

自相关系数可以通过计算观测值yt与其在过去某一时间点上的观测值yt-k（k为时间滞后期数）的相关性来得到。

数学上，自相关系数可以用公式表示为：ρ(k) = Cov(yt, yt-k) / (σ(yt) * σ(yt-k))其中，ρ(k)表示第k期的自相关系数，Cov表示协方差，σ表示标准差。

3. 自相关性的性质自相关性具有以下几个性质：3.1 一阶自相关性一阶自相关性是指变量值yt与前一期的观测值yt-1之间的相关性。

一阶自相关系数ρ(1)通常用来检验时间序列数据是否存在自相关性。

若ρ(1)大于零且显著，则表明存在正的一阶自相关性；若ρ(1)小于零且显著，则表明存在负的一阶自相关性。

3.2 高阶自相关性除了一阶自相关性，时间序列数据还可能存在高阶自相关性。

高阶自相关性是指变量值yt与过去第k期的观测值yt-k之间的相关性。

通过计算不同滞后期的自相关系数ρ(k)，可以了解数据在不同时间跨度上的自相关性情况。

3.3 异方差自相关性异方差自相关性是指时间序列数据中的方差不仅与自身相关，还与过去观测值的相关性有关。

异方差自相关性可能导致在回归分析中的标准误差失效，从而产生无效的回归结果。

因此，在处理存在异方差自相关性的数据时要采取合适的修正方法。

4. 自相关性的检验方法在实证研究中，经济学家通常使用多种方法来检验数据中的自相关性，常用的方法包括：4.1 Durbin-Watson检验Durbin-Watson检验是一种常用的检验自相关性的方法，其基本思想是通过检验误差项的相关性来判断自相关是否存在。

9
• 例题， 已知n=50, k=4(没有包括常数项）， d＝1.43，查表α ＝5％ • dL=1.38 , du=1.72, 1.43落在1.38和1.72之 间，无法下结论，但是根据修订的d检验， 1.43<1.72,所以基本可以拒绝没有一阶自 相关的假设，即存在一阶自相关。
10
此外，计算机程序SHAZAM会自动计算 出一种精确d检验（exact d test),它能算出 d值的准确概率。
5
• • • • • •
根据计算结果，建立DW检验的决策规则如下： 0<d<dL,存在一阶正相关 4－dL<d<4,存在一阶负相关 du<d<4-du,不存在自相关 dL ≤ d ≤ du, 4-du ≤ d ≤ 4-dL,无法下结论 Durbin –Watson根据d的显著水平规定了上限du 和下限dL（查表可以得到）。 • d统计量有一个假设前提： • μt= ρ μt-1 + εt • 即误差项服从一阶自相关
12
先来求E(μtμt-S )
μt= ρ μt-1 +εt，已知误差项满足古典回归的假设 E(μtμt-1 )=E[(ρ μt-1 +εt) μt-1 ] = ρ E(μt-1 )2 +E(εt μt-1 )＝ ρσ2 E(μtμt-2 )=E[(ρ μt-1 +εt) μt-2 ] = ρ E(μt-1 μt-2 ) +E(εt μt-2)＝ ρ ρσ 2 ＝ρ2σ2 以此类推， E(μtμt-s )=E[(ρ μt-1 +εt) μt-s ] = ρ E(μt-1 μt-s) +E(εt μt-s) ＝ρsσ2
13
Var(βhat)=E(Σxtμt/ Σxt2 )2 =1/( Σxt2 ) 2[(Σxt2 ) E(μt2) +2E(μtμt-1 ) Σ xt xt-1 + 2E(μtμt-2 ) Σ xt xt-2 + 2E(μtμt-3 ) Σ xt xt-3 + ……] = σ 2/( Σxt2 ) 2[(Σxt2 ) +2ρ Σ xt xt-1 + 2ρ 2 Σ xt xt-2 + 2ρ 3Σ xt xt-3 + ……]

ut = 1ut-1 + 2ut-2 + ... + mut-m + vt
其中 为自相关系数， 为经典误差项，即
12
一阶自回归（AR(1)）展开
2 V 2 12
12 2
1n 2n
2
1 v
1 2
1n 2n
2
1
1
2
n
1
n2
n1
n2
1
13
第二节 自相关的后果
本节基本内容:
2 u
低估了随机扰动项的 方差
16
三、对模型检验的影响
^
^
若忽视自相关， t
2
^
SE( 2 ) ˆu
2
1
xi2
u
1 xi2
低估了真实方差
ˆu
et2
n 2
低估了 u
t值被高估，相应的F检验与可 决系数检验也变得不可靠。
17
四、对模型预测的影响
考 虑 对 个 别
值的预测
YF YˆF
误差项 u1,u2 ,..., un 间存在 正相关
不能判定是否有自相关
误差项 u1,u2 ,..., un 间 无自相关
4 - dU DW 4 - dL
4 - dL DW 4
不能判定是否有自相关
误差项 u1,u2 ,..., un 间存在 负相关
31
用坐标图更直观表示DW检验规则：
f (DW)
35
一、 已知时的GLS
假设
其中，
， 为经典误差项，可以推导：
36
对于一元线性回归模型
将模型滞后一期可得
Yt-1 = 0 + β1Xt-1 + ut-1

5
3、模型设定不当
(1)数学模型设定不当 比如我们在非线性回归模型中介绍的产品总成本Y和产量X 的回归模型为:
Yt b0 b1 X t b2 X b3 X t
2 t 3 t
但如果用线性模型来替代
Yt b0 b1 X t t
2 3
那么随机误差项
vt b2 X t b3 X t t
若d 0.562, 则0 d d L , 存在一阶正自相关
若d 3.521, 则4 d L d 4, 存在一阶负自相关
若d 2, 则dU d 4 dU , 不存在一阶自相关 若d 1.267, 则d L d dU , 无法确定模型中是否存在一阶自相关 若d 2.980, 则4 dU d 4 d L , 无法确定模型中是否存在一阶自相关
无自相关 区域
负自相关区域 正自相 关区域
0
dL
dU
2
4 dU
4 dL 4
17
例题6.1
在给定的显著性水平＝0.05条件下，n 10, k 1
查表得下限值d L 0.879, 上限值dU 1.320 又可以计算得4 dU 2.68, 上限值4 d L 3.121
2 2
若nR ( p ), 拒绝原假设，原模型存在自相关
2 2
若nR ( p), 接受原假设，原模型不存在自相关
2 2
拒绝域
接受域
( p )
2
nR
2
( p )
2
nR
2
22
6.4 自相关的修正
• 自相关修正的基本原理：通过差分变换，对原始数据进行 修正。自相关修正主要有三种方法。 • 1、广义差分法

无正或负的自相关
拒绝 拒绝 接受
不能确定
0<d<dL 4 - dL≤d dU≤d ≤4 -dL
dL<d <Du 4 – dU<d <4 -dL
D-W检验的缺陷是存在两个不确定域。如果统计量落入不确定域中时， 无法判断是否存在自相关。
第四节 自相关的解决方法
E[(ut 1 vt )ut 1)
（同方差假定）
E(u2 ) 2
t 1
u
E(uu') uΩ
1
u
s1
1 s2
s1 s2
1
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 ut Yt 1 1 2 X t 1 ut 1
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）
自相关主要出现在世界序列数据中。横截面数据中也可能存在自相关
（三s、pa自tia相l au关to的co形rre式lation, 空间自相关）。这种自相关可能来自样本观测值的排 序依据如—果—u存逻在辑自的相或关经，济t的期排的列取的值理与由前。p期有关，关系可由：
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
Y1 1 2 X1 u1 其中ut ut 1 vt 每期观测值与滞后一期观测值乘以，相减，

计量经济学——自相关(1) 为了消除价格变动因素对于人均收入与人均生活消费的影响，采用剔除价格因素后的北京市人均实际收入和人均实际支出的数据，构建以北京市人均实际支出（Y）为被解释变量，北京市人均实际收入（X）为解释变量的线性回归模型：Y t=β1+β2X t+u t建立Eviews文件，生成人均实际支出（Y）、人均实际收入（X）等数据，利用OLS方法估计模型参数，得到的回归结果如下图所示：Dependent Variable: YMethod: Least SquaresDate: 11/14/14 Time: 21:37Sample: 2001 2019Included observations: 19Variable Coefficient Std. Error t-Statistic Prob.C 79.93004 12.39919 6.446390 0.0000X 0.690488 0.012877 53.62068 0.0000R-squared 0.994122 Mean dependent var 700.2747Adjusted R-squared 0.993776 S.D. dependent var 246.4491S.E. of regression 19.44245 Akaike info criterion 8.872095Sum squared resid 6426.149 Schwarz criterion 8.971510Log likelihood -82.28490 Hannan-Quinn criter. 8.888920F-statistic 2875.178 Durbin-Watson stat 0.574663Prob(F-statistic) 0.000000即参数估计与检验的结果为Y t=79.93004+0.690488X t（12.39919）(0.012877)t=(6.446390) (53.62068)R2=0.994122 F=2875.178 n=19（2）该方程可决系数较高，回归系数显著。

注意事项
在进行模型选择与比较时，需要注意避免过拟合和欠拟合问题，以及确保模型的稳定性和可靠性。此外 ，还需要关注模型的异方差性、共线性等问题，以确保模型的准确性和有效性。
04
时间序列分析及应用
时间序列基本概念及性质
01
时间序列定义
按时间顺序排列的一组数据，反映 现象随时间变化的发展过程。
时间序列类型
03
广义线性模型与非线性模型
广义线性模型介绍
定义
广义线性模型是一类用于描述响 应变量与一组预测变量之间关系 的统计模型，其特点在于响应变 量的期望值通过一个连接函数与 预测变量的线性组合相关联。
连接函数
连接函数是广义线性模型中一个 关键组成部分，它将响应变量的 期望值与预测变量的线性组合连 接起来。常见的连接函数包括恒 等连接、对数连接、逆连接等。
模型的统计性质
深入探讨多元线性回归模型的统计性质，包括无偏性、有效性和一致性等，并解释这些 性质在多元回归分析中的重要性。
多重共线性问题
详细讲解多重共线性的概念、产生原因、后果以及诊断和处理方法，如逐步回归、岭回 归等。
回归模型检验与诊断
模型的拟合优度 介绍衡量模型拟合优度的指标， 如可决系数、调整可决系数等， 并解释这些指标在实际应用中的 意义。
微观计量经济学在因果推断和政策评 估方面发挥着重要作用。目前，研究 者们关注于如何运用实验设计、工具 变量、双重差分等方法识别和处理内 生性问题，以更准确地估计因果关系 和评估政策效果。
高维数据处理与机器 学习
随着大数据时代的到来，高维数据处 理成为微观计量经济学面临的新挑战 。目前，研究者们正在探索如何将机 器学习等先进的数据分析技术应用于 微观计量经济学中，以处理高维数据 和挖掘更多的有用信息。

目录一、图形法检验 (1)二、D-W检验 (5)三、SLC对GDPS回归自相关的处理 (7)四、log(GDPS)对T回归自相关的处理 (9)实验五自相关模型的检验和处理实验目的：掌握自相关模型的检验和处理方法。

实验要求：熟悉图形法检验和掌握D-W检验，理解广义差分变换和掌握迭代法。

实验原理：图形法检验和D-W检验，广义差分变换、迭代法和广义最小二乘法（GLS）。

实验步骤：一、图形法检验在实验二的一元线性回归模型的估计中，根据广东数据把CS作为应变量，GDPS作为解释变量；CZ作为应变量，CS作为解释变量；SLC作为应变量，GDPS作为解释变量进行了三个一元线性回归，现在对它们进行图形法检验。

图形法检验，即可根据残差项et的趋势图判定，亦可根据et 与e1 t的散点图判定。

在进行完回归后，内存中就产生一个序列RESID，它就是残差项组成的序列，可使用。

1.CS对GDPS回归的残差趋势图和残差散点图（图4-3）从图上看CS对GDPS回归的残差有一定的自相关。

2.CZ对CS回归的残差趋势图和残差散点图（图4-4）从图上看CZ对CS回归的残差应该没有自相关。

3.SLC对对GDPS回归的残差趋势图和残差散点图（图4-5）从图上看SLC对GDPS回归的残差有很强的自相关。

图4-3图4-4图4-5在实验四的一元非线性模型的估计中，log(CS)对T回归的残差趋势图和残差散点图为图4-6。

从图上看log(CS)对T回归的残差也有较强的自相关。

图形法检验的有点是很直观，但缺点是不易看出，所以检验自相关主要还是用下面的解析的方法。

图4-6二、D-W检验对所有做过的回归方程进行自相关的D-W检验。

在实验二的一元线性回归模型的估计中，根据广东数据把CS作为应变量，GDPS 作为解释变量；CZ作为应变量，CS作为解释变量；SLC作为应变量，GDPS作为解释变量进行了三个一元线性回归，现在对它们进行D-W 检验。

在实验二的一元线性回归模型的检验和结果报告中，已经把这个三个一元线性回归的结果报名出来了，这三个报告为CS = 12.50960 + 0.080296 * GDPS（15.58605）（0.001891）（0.802615）（42.45297）R2= 0.985779 SE = 7732.823 DW = 0.942712 F = 1802.255 CZ = -22.68073 + 1.278874 * CS（11.61500）（0.017267）（-1.952710）（74.06285）R2= 0.995282 SE = 45.71859 DW = 1.554922 F = 5485.306 SLC = 148.6962 + 0.370241 * GDPS（48.01944）（0.005827）（3.096584）（63.53578）R2= 0.993600 SE = 190.7780 DW = 0.293156 F = 4036.795 从这三个报告可以一目了然地看出，第一个方程的D-W值偏近0，存在自相关；第二个方程的D-W值接近2，不存在自相关；第三个方程的D-W值接近0，存在很强的自相关。

第六章 自相关性本章教学要求：本章是违背古典假定情况下线性回归描写的参数估计的又一问题。

通过本章的学习应达到：掌握自相关的基本概念，产生自相关的背景；自相关出现对模型影响的后果；诊断自相关存在的方法和修正自相关的方法。

能够运用本章的知识独立解决模型中的自相关问题。

经过第四、五、六章的学习，要求自行选择一个实际经济问题，建立模型，并判断和解决上述可能存在的问题。

第一节 自相关性的概念一、一个例子研究中国城镇居民消费函数，其中选取了两个变量，城镇家庭商品性支出（现价）和城镇家庭可支配收入（现价），分别记为CSJTZC 和CSJTSR ，时间从1978年到1997年，n=20。

但为了剔除物价的影响，分别对CSJTZC 和CSJTSR 除以物价（用CPI 表示），这里CPI 为城镇居民消费物价指数（以1990年为100%），经过扣除价格因素以后，记CPICSJTSRX CPICSJTZCY ==即如下表回归以后得到的残差为Dependent Variable: YMethod: Least SquaresDate: 10/27/04 Time: 09:39Sample: 1978 1997Included observations: 20Std. Error t-Statistic Prob.Variable CoefficientC-103.369278.80739-1.3116690.2061X0.9235510.01603357.603880.00003939.341 R-squared0.994605Mean dependentvarAdjusted R-squared0.994305S.D. dependent var2124.467S.E. of regression160.3247Akaike info criterion13.08692Sum squared resid462671.9Schwarz criterion13.18649Log likelihood -128.8692 F-statistic 3318.207 Durbin-Watson stat1.208037 Prob(F-statistic)0.000000二、什么是自相关性在引出自相关性的概念之前，根据建立中国城镇居民储蓄函数，经用最小二乘法估计出参数后，得到残差序列，由此画出残差图（残差序列自身的关系），从图形上看存在t e 对1 t e 的线性关系，残差的这种现象说明了什么？下面给出序列自相关的定义。

体回归模型(PRF)的随机项为 u1,u2,...,un，
如果自相关形式为
u t=u t-1+ vt -1<<1
ห้องสมุดไป่ตู้
其中
为自相关系数， v
为经典误差项，即
t
E ( v t) 0 , V a r ( v t) 2 , C o v ( v t, v t + s ) 0 , s 0
其中， 1 为一阶自相关系数， 2 为二阶自相关系 数，v t 是经典误差项。此式称为二阶自回归模式，
记为 A R。(2 )
19
一般地，如果 u1,u2 ,...,ut 之间的关系为
u t= 1 u t- 1 + 2 u t- 2 + ...+ m u t- m + v t
其中， v t 为经典误差项。则称此式为 m 阶自回 归模式，记为 AR (m ) 。
在经济计量分析中，通常采用一阶自回归形式，
即假定自回归形式为一阶自回归 A R (1 ) 。
20
第二节 自相关的后果
本节基本内容:
●一阶自回归形式的性质 ●自相关对参数估计的影响 ●自相关对模型检验的影响 ●自相关对模型预测的影响
21
一、一阶自回归形式的性质
对于一元线性回归模型:
Y=1+2X+u
在有自相关的条件下，仍然使用普通最小二乘 法将低估估计量 ˆ 2 的方差 Var(ˆ2 )
并且
ˆ 2

e
2 i
将低估真实的

2
n-k
27
对于一元线性回归模型，当 u 为经典误差项时，
普通最小二乘估计量 ˆ 2 的方差为:

6
Econometrics 2003
二、设定偏误1：应含而未含变量的情形
例如, 如果真实的回归方程的 形式为： Yt 1 2 X 2t 3 X 3t X 4t 4 ut 其中，因变量表示牛肉 需求量，解释变量分别 为 牛肉价格、消费者收入 和猪肉价格。但是在做 回 归时用的是： t 1 2 X 2t 3 X 3t vt Y 则，随机扰动项会出现 系统模式：vt X 4t 4 ut 从而出项自相关。
Econometrics 2003
9
五、滞后效应
例如：在消费支出对收入的时间序列 分析中，当期的消费支出除了依赖于 其他变量外，还依赖于前期的消费支 出。即： Ct 1 2 I t 2 I t 1 ut 如果作回归是选用的是： Ct 1 2 It t 则会出现自相关。
ˆ 2 估计值 t检验统计量为： t 估计量的标准误 ˆ se( 2 )
ˆ 由于 SE( 2 ) 的错误夸大，得到的 t统计量就 可能小于临界值 t / 2 ，从而得到参数 不显著
的结论。而这一结论可能是不正确的。
Econometrics 2003
18
忽视自相关时的检验
如果我们忽视自相关问题依然假设经典假定成 2 ，将会导致错误结果。 ˆ 立，使用 Var(2 ) = 2 Σxt j 当 >0 ，即有正相关时，对所有 j 的有 >0 。 另外回归模型中的解释变量在不同时期通常是 正相关的，对于 X t 和 X 来说 t j
Econometrics 2003
24
图 6.1 绘制
et 与 et 1 的关系
(et -1 , et ) (t 1,2,..., n)

第七章自相关让我们回忆古典线性回归假设中对扰动项u i的要求: 总体回归函数的扰动项u i无序列相关或无自相关。

但在实际研究中，误差项常常不满足上述假定。

本章要讨论以下问题：1.自相关性质是什么？2.自相关的理论与实际结果是什么？3.如何诊断自相关？4.如果发现比较严重的自相关，如何采取补救措施？§7.1 自相关的性质自相关就是指总体回归方程的误差项u i之间存在着相关，即：在时间（如在时间序列数据中）或空间（如在截面数据中）按顺序所列观察值序列的各成员间存在着相关。

正如异方差的产生常常与截面数据有关，自相关问题通常与时间序列数据有关。

但截面数据中也可能产生自相关问题。

古典线性回归模型中扰动项u i中不存在自相关可表示为：E(u i u j) = 0, i≠j (7.1)其含义为两个不同误差项u i和u j的乘积的期望是零，即，任一观察值的扰动项不受其他观察值扰动项的影响。

例如，在分析消费支出与家庭收入的时序数据时，本期家庭收入的增加，只影响本期消费支出，对以后的消费支出没有影响。

如果不同误差项之间存在着依赖关系，即u i存在自相关，则可表示为：E(u i u j) ≠ 0, i≠j (7.2)这种情况下，本期家庭收入的增加，可能会影响下一期或以后几期的消费支出。

由于我们无法观察到总体扰动项u i，我们只能通过样本扰动项e i来判断u i的行为。

如果u i或e i呈现出图7.1中a ~ d的形式，则表示u i自相关，如果u i或e i呈现图7.1 中e的形式，则表示u i不存在自相关。

§7.2 自相关产生的原因§7.2.1 惯性多数经济时间序列都存在惯性。

如国民生产总值、就业、货币供给、价格指数、消费、投资等，都呈现周期波动。

当经济复苏时，由萧条的底部开始，大多数经济序列向上移动，在向上移动的过程中，序列某一点的值会大于其前期值。

这种向上的“动力”存在，直到经济开始衰退。