序列相关性指对于不同的样本值,随机扰动项之间不再是完全相互独立,而是存在某种相关性. 2. 一阶自相关只的是误差项的当前值只与其自身前一期值之间的相关性. 3. D.W.检验:全称杜宾—瓦森检验,适用于一阶自相关的检验..DW判断的是一阶自相关，一般用差分法（一阶）就可以解决。自相关的解决方法，基本方法是通过差分变换,对原始数据进行变换的方法,使自相关消除.一,差分法，一阶。设Y对x的回归模型为Yt=β1+β1xt+μt(1)μt=ρμt-1+vt式中, vt满足最小平方法关于误差项的全部假设条件。将式(1)滞后一个时期,则有Yt-1=β0+β1xt-1+μt-1(2)μt-1=ρμt-2+vt-1于是, (1)-ρ×(2),得Yt-ρYt-1=β0(1-ρ)+β1(xt-ρxt-1)+νt(3)Yt-ρYt-1=β1(xt-xt-1)+μt-μt-1=β1(xt-xt-1)+vt(4)ρ为自相关系数也就是说,一阶差分法是广义差分法的特殊形式。高阶自相关是用BG检验法，LM=T*R^2服从X^2(p)（kafang）分布，T为样本容量，p为你想检验的自相关阶数，查kafang分布表，置信度为95%也就是阿尔法=0.5，如果T*R^2>查出来的结果即存在你想验证的自相关阶数。修正用广义差分法（AR(p))广义差分方法 对模型: Yt= 0+ 1X t+ut ------(1) ,如果ut具有一阶自回归形式的自相关,既 ut= u t-1 +vt 式中 vt满足通常假定.假定, 已知,则: Y t-1= 0+ 1X t-1+u t-1 两端同乘 得:Y t-1= 0 + 1 X t-1+ u t-1-------(2) (1)式减去(2)式得: Yt- Y t-1= 0 (1- )+ 1X (Xt- X t-1)+vt 令:Yt*= Yt- Y t-1 ,Xt*= (Xt- X t-1), 0 *= 0(1- )则: Yt*= 0 * + 1 Xt*+vt 称为广义差分模型,随机项满足通常假定,对上式可以用OLS估计,求出 .为了不损失样本点,令Y1*= X1*= 以上解决自相关的变换称为广义差分变换, =1,或 =0 , =-1是特殊情况.广义差分变换要求 已知,如果 未知,则需要对 加以估计,下面的方法都是按照先求出 的估计值,然后在进行差分变换的思路展开的。 如果差分修正还是效果不好，那就是你回归变量的问题了，有一些统计数据本身就是有很强的自相关，比如GDP等，这是无法避免的，有些数据要先 去势，协整以后才可以做回归的，详细在这里解释不清，你应该仔细看计量经济学教科书有关章节。不明白的还可以问我
|
