51523序列相关LM检验 选择Ⅴew/ Residual tests/serial correlation Lm test,一般地 对高阶的,含有ARMA误差项的情况执行 Breush-Godfrey LM ( Lagrange multiplier,拉格朗日乘数检验)。在滞后定义对话 框,输入要检验序列的最高阶数。 检验的原假设是:至给定阶数,残差不具有序列相关。 EViews.将给出两个统计量:F统计量和NR2(观测值个数乘 以R2),NR2在原假设下服从x分布。F统计量分布未知,但常 用来对原假设进行非正规检验
11 §15.2.3 序列相关LM检验 选择View/Residual Tests/Serial correlation LM Test，一般地 对高阶的，含有ARMA误差项的情况执行Breush-Godfrey LM （Lagrange multiplier，拉格朗日乘数检验）。在滞后定义对话 框，输入要检验序列的最高阶数。 检验的原假设是：至给定阶数，残差不具有序列相关。 EViews将给出两个统计量：F统计量和NR2（观测值个数乘 以R 2），NR2在原假设下服从 分布。F统计量分布未知，但常 用来对原假设进行非正规检验。 2
上一例子中相关图在滞后值3时出现峰值。Q统计量在各阶滞后值中都 具有显著性,它显示的是残差中的显著序列相关。 进行序列相关的LM检验,选择 View/Residual Tests /serial correlation LM Test,输入滞后2产生如下结果: Breusch-Godfrey Serial Correlation LM Test F-statistic 7. 226771 Probability 000948 Obs"R-squared 13.77529 Probability 001020 此检验拒绝直至2阶的无序列相关的假设。Q-统计和LM检验都表明 残差是序列相关的,并且方程在被用于假设检验和预测之前应该重新定 义
12 上一例子中相关图在滞后值3时出现峰值。Q统计量在各阶滞后值中都 具有显著性，它显示的是残差中的显著序列相关。 进行序列相关的LM检验，选择View/Residual Tests/Serial Correlation LM Test，输入滞后2产生如下结果： 此检验拒绝直至2阶的无序列相关的假设。Q-统计和LM检验都表明： 残差是序列相关的，并且方程在被用于假设检验和预测之前应该重新定 义
§153估计AR模型 在使用本章描述的工具之前,可以首先检验模型其他方面的错误。误差存 在序列相关是模型定义存在的严重问题。特别地,应注意使用OLS得出的过分 限制的定义。有时,在回归方程中添加不应被推除的变量会消除序列相关。 §1531一阶序列相关 在EVew中估计一个AR(1)模型,选择 Quick/ Estimate Equation打开一个方 程,用列表法输入方程后,最后将AR(1)项加到列表中。例如:估计一个带有 AR(1)误差的简单消费函数 CS,=C+CGDP+Ccs,-+ l1=Pu1-1+E 应定义方程为: cs c gdp cS-1)ar(1)。例子:工作文件15 I eq cs ar C1=-2235+0.0924*GDP1+0.874*CS1 L1=02789*w
13 §15.3 估计AR模型 在使用本章描述的工具之前，可以首先检验模型其他方面的错误。误差存 在序列相关是模型定义存在的严重问题。特别地，应注意使用OLS得出的过分 限制的定义。有时，在回归方程中添加不应被排除的变量会消除序列相关。 §15.3.1 一阶序列相关 在EViews中估计一个AR(1)模型，选择Quick/Estimate Equation打开一个方 程，用列表法输入方程后，最后将AR(1)项加到列表中。例如：估计一个带有 AR(1)误差的简单消费函数 t t t u = u + −1 应定义方程为： cs c gdp cs(-1) ar(1)。例子：工作文件15_1\eq_cs_ar1 t t t t cs = c + c GDP + c cs +u 1 2 3 −1 cst = -22.35 + 0.0924 * GDPt + 0.874 * cst-1 ut = 0.2789 * ut-1
§15.3.2高阶序列相关 估计高阶AR模型稍稍复杂些,为估计AR(k),应输入模型的定义和所包 括的各阶AR值。如果想估计一个有1-5阶自回归的模型 Cs, =C+C gdp +ccs,, +u l1=n11-1+…+P5l4-5+8 应输入: csc gdp cs(-l)ar(1)ar(2)ar(3)ar(4)a(5) 例子:工作文件151 leq cs ar5 可以输入在模型中想包括的各个自回归, EViews在消除序列相关时给予 很大灵活性。例如,如果有季度数据而且想用一个单项来说明季节自回归, 可以输入: cS c gdp cs-1)ar(4)
14 §15.3.2 高阶序列相关 估计高阶AR模型稍稍复杂些，为估计AR(k)，应输入模型的定义和所包 括的各阶AR值。如果想估计一个有1-5阶自回归的模型 ut ut ut t = + + + 1 −1 5 −5 应输入： cs c gdp cs(-1) ar(1) ar(2) ar(3) ar(4) ar(5) 例子：工作文件15_1\eq_cs_ar5 可以输入在模型中想包括的各个自回归，EViews在消除序列相关时给予 很大灵活性。例如，如果有季度数据而且想用一个单项来说明季节自回归， 可以输入：cs c gdp cs(-1) ar(4)。 t t t ut cs = c1 + c2 GDP + c3 cs −1 +
§15.33存在序列相关的非线性模型 EViews可以估计带有AR误差项的非线性回归模型。例如:估计如下的带 有附加AR(2)误差的非线性方程 CS=C1+GDP 2+u u =caucus tC 使用 EViews表达式定义模型,在后面的方括号内描述AR修正项,对每 阶AR滞后项都应包括一个系数,每项之间用逗号隔开。 Cs=c(1)+gdp^c(2)+[ar(1)=c(3),ar(2)=c(4) EViews通过差分来转换这种非线性模型且使用 Gauss-Newtol迭代法来估 计转换后的非线性模型
15 §15.3.3 存在序列相关的非线性模型 EViews可以估计带有AR误差项的非线性回归模型。例如：估计如下的带 有附加AR(2)误差的非线性方程 t c CSt = c + GDPt + u 2 1 t t ut t u = c u + c + 3 −1 4 −2 使用EViews表达式定义模型，在后面的方括号内描述AR修正项，对每 一阶AR滞后项都应包括一个系数，每项之间用逗号隔开。 cs=c(1)+gdp∧c(2)+[ar(1)=c(3), ar(2)=c(4)] EViews通过差分来转换这种非线性模型且使用Gauss-Newton迭代法来估 计转换后的非线性模型