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。
异方差自相关豪斯曼检验
异方差性（Heteroscedasticity）是指数据的方差不是常数，而是随着自变量的变化而变化。当数据呈现异方差性时，固定效应模型可能会产生无偏但不一致的估计，而随机效应模型通常能够更好地处理异方差性。因此，豪斯曼检验可以帮助确定在存在异方差性时应该选择哪种模型。
同时，时间序列数据中还可能存在自相关性（Autocorrelation），即误差项之间存在相关性。如果数据中存在自相关性，那么OLS估计量可能不再是最佳线性无偏估计。通过进行豪斯曼检验，可以确定在存在自相关性时是否需要使用修正的OLS估计方法。
要进行豪斯曼检验，首先需要建立两个模型：一个固定效应模型和一个随机效应模型。然后通过计算两个模型的估计值的差异来进行检验。在检验中，我们感兴趣的是这个差异是否由异方差性或自相关性引起的。
具体来说，豪斯曼检验的原假设是两个模型没有系统性的差异。如果原假设被拒绝，说明两个模型之间存在显著差异，这可能是由于异方差性或自相关性导致的。
为了说明豪斯曼检验的方法和步骤，我们将考虑一个实际的研究示例。假设我们对一个国家的 GDP 进行研究，我们想分析GDP 与劳动力投入之间的关系。我们建立了一个固定效应模型和一个随机效应模型，用来估计 GDP 对劳动力投入的影响。
在固定效应模型中，我们假设不同国家之间的劳动力投入是不同的，即随着时间的推移，劳动力投入在各国之间也可能存在差异。而在随机效应模型中，我们假设劳动力投入在各国之间是同质的，即不同的劳动力投入只是由于随机误差所致。
接下来，我们用豪斯曼检验来检验这两个模型之间的差异。我们首先估计这两个模型，并计算它们之间的差异。接着，我们对这些差异进行统计检验，以确定差异是否显著。
如果实证结果表明固定效应模型比随机效应模型更好，那么我们可以得出结论，数据中存在异方差性和自相关性。在这种情况下，我们可能需要对模型进行修正，以更准确地描述数据。
优选参考资料
《计量经济学》中多重共线性、异方差性、自相关三者之间的联系与区别
首先我们先来回顾一下经典线性回归模型的基本假设：
1、为什么会出现异方差性我们可以从一下两方面来分析：
第一，因为随即误差项包括了测量误差和模型中被省略的一些因素对因变量的影响；第二，来自不同抽样单元的因变量观察值之间可能差别很大。因此，异方差性多出现在截面样本之中。至于时间序列，则由于因变量观察值来自不同时期的同一样本单元，通常因变量的不同观察值之间的差别不是很大，所以异方差性一般不明显。
优选参考资料
含义及影响:
y=X+，var(i)var(j), ij，E(，或者记为212200['|]0000nEX
即违背假设3。
用OLS估计，所得b是无偏的，但不是有效的。
111(')'(')'()(')'bXXXyXXXXXXX
由于E(，所以有E(b。即满足无偏性。但是，b的方差为
1111121var(|)[()()'][(')''(')|] (')'['|](') (')'()(')bXEbbEXXXXXXXXXXEXXXXXXXXXX
其中212200['|]0000nEX
优选参考资料
2、自相关产生的原因：
（1）、经济数据的固有的惯性带来的相关
（2）、模型设定误差带来的相关
（3）、数据的加工带来的相关
含义及影响:
cov(,)0,ijij
影响：和异方差一样，系数的ls估计是无偏的，但不是有效的。
D－W检验（Durbin－Watson）
221212222121212222112112122211221122121()()()2()()222222(1)niiiniinnniiiiiiiniinnniiiiiiinniiniiinnniiiinniieedeeeeeeeeeeeeeeeeeeeeee 优选参考资料
自相关和异方差处理顺序
自相关和异方差是统计学中常见的两个问题，它们在数据分析和建模中起着重要的作用。在本文中，我们将讨论自相关和异方差的处理顺序，并介绍一些常用的方法和技巧。
一、自相关的处理
自相关是指同一时间序列数据中不同时间点之间的相关性。在时间序列分析中，我们经常会遇到自相关的问题，这会影响到模型的准确性和可靠性。为了解决自相关问题，我们可以采取以下几种方法：
1. 平稳化处理：对于非平稳的时间序列数据，我们可以通过差分、对数变换或者其他方法来使其变得平稳。平稳化后的数据能够更好地满足模型的假设条件，从而减小自相关的影响。
2. 引入滞后项：在建立模型时，我们可以引入滞后项来考虑时间序列数据中不同时间点之间的相关性。常用的方法有自回归（AR）模型和移动平均（MA）模型等。
3. 模型诊断：在建立模型后，我们需要对模型进行诊断，检验是否存在自相关。常用的方法有自相关图和部分自相关图等。如果发现存在自相关，我们可以进一步调整模型的参数或者引入其他变量来解决自相关问题。
二、异方差的处理
异方差是指同一时间序列数据中不同时间点之间方差不相等的现象。异方差会导致模型的预测结果不准确，因此需要进行处理。以下是一些处理异方差的方法：
1. 变换方法：对于存在异方差的数据，我们可以通过对数变换、平方根变换或者倒数变换等方法来使其变得更加稳定。变换后的数据能够更好地满足模型的假设条件，从而减小异方差的影响。
2. 加权最小二乘法：在建立模型时，我们可以采用加权最小二乘法来解决异方差问题。加权最小二乘法能够根据不同时间点的方差大小来调整模型的参数，从而减小异方差的影响。
3. 残差诊断：在建立模型后，我们需要对模型的残差进行诊断，检验是否存在异方差。常用的方法有残差图和方差稳定性检验等。如果发现存在异方差，我们可以进一步调整模型的参数或者引入其他变量来解决异方差问题。
自相关和异方差是统计学中常见的问题，它们在数据分析和建模中起着重要的作用。对于自相关问题，我们可以通过平稳化处理、引入滞后项和模型诊断等方法来解决；对于异方差问题，我们可以通过变换方法、加权最小二乘法和残差诊断等方法来解决。在实际应用中，我们可以根据具体情况选择合适的方法和技巧来处理自相关和异方差，从而提高模型的准确性和可靠性。
