-
让品牌有温度、有情感
专注品牌策划15年
广义差分法是将原模型变换为（广义差分模型的正确形式）
发布时间：2023-05-22 09:40:01
稿源：
创意岭 阅读：
146
大家好！今天让创意岭的小编来大家介绍下关于广义差分法是将原模型变换为的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。
开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等
只需要输入关键词，就能返回你想要的内容，有小程序、在线网页版、PC客户端和批量生成器
问友Ai官网：https://ai.de1919.com。
本文目录:
如何用工具变量法解决序列相关
序列相关的修正自相关结构已知时的修正——广义差分法
广义差分法是将原模型变换为满足OLS法的差分模型,再进行OLS估计.
t遵循0均值,同方差,无序列相关的各条OLS假定
广义差分方程,失去一次观测
更一般地,如果原模型
存在
则可以将原模型变换为:
该模型为广义差分模型,不存在序列相关问题.可进行OLS估计.
未知时序列相关的修正
应用广义差分法,必须已知随机误差项的相关系数 1, 2, … , p .
实际上,人们并不知道它们的具体数值,所以必须首先对它们进行估计.
(1)用DW统计量估计
(2)科克伦-奥克特两步法
做原模型的OLS估计,得到残差et
做回归: 估计
用 作广义差分方程的回归,求回归系数.
(3)德宾两步法
将广义差分方程写为:
将上式看作一复回归模型,求Yt对Xt,Xt-1和Yt-1的回归,并把对Yt-1的回归系数的估计值( )看作对 的一个估计.虽然这个估计值有偏误,它却是 的一个一致性估计.
求得 后,把变量换为
对转换变量形成的广义差分方程做OLS估计.
虚假序列相关问题
由于随机项的序列相关往往是在模型设定中遗漏了重要的解释变量或对模型的函数形式设定有误,这种情形可称为虚假序列相关(false autocorrelation) ,应在模型设定中排除.
避免产生虚假序列相关性的措施是在开始时建立一个"一般"的模型,然后逐渐剔除确实不显著的变量.
例1 美国零工招聘指数与失业率
数据如表.回归模型设为:
其中:HWI:零工招聘指数,U:失业率
先验符号
查表,N=24,一个解释变量,5%的DW临界值:dL=1.27, dU=1.45,0例1 美国零工招聘指数与失业率
序列相关修正,估计
用DW统计量估计
科克伦-奥克特两步法
德宾两步法
科-奥两步法结果:
一般对大样本来说,用哪种方法区别不大.但是对小样本则不同.而且没有一种方法总是优于其他方法.科-奥两步法较常用.
最终结果
比较
例2我国1980-2001年发电量与GDP
对数模型lnqi= 0+ 1lnxi+ i
存在序列相关
BG检验:LM
序列相关修正
系数均显著,存在序列相关
六,案例:中国商品进口模型
经济理论指出,商品进口主要由进口国的经济发展水平,以及商品进口价格指数与国内价格指数对比因素决定的.
由于无法取得中国商品进口价格指数,我们主要研究中国商品进口与国内生产总值的关系.(下表).
1. 通过OLS法建立如下中国商品进口方程:
t (3.32) (20.12)
2. 进行序列相关性检验.
DW检验
取 =5%,由于n=24,k=2(包含常数项),查表得:
dl=1.27, du=1.45
由于 DW=0.628 20.05(2) 故: 存在正自相关
2阶滞后:
3阶滞后:
于是,LM=21 0.68=14.28
取 =5%, 2分布的临界值 20.05(3)=7.815
LM > 20.05(3)
表明: 存在正自相关;但ět-3的参数不显著,说明不存在3阶序列相关性.
3,运用广义差分法进行自相关的处理
(1)采用杜宾两步法估计
第一步,估计模型
t (1.76) (6.64) (-1.76) (5.88) (-5.19) (5.30)
第二步,作差分变换:
D.W.=2.307 R2=0.991
则M*关于GDP*的OLS估计结果为:
(2.76) (16.46)
取 =5%,DW>du=1.43 (样本容量24-2=22)
表明:已不存在自相关
于是原模型为:
与OLS估计结果的差别只在截距项:
(2)采用科克伦-奥科特迭代法估计
取 =5% ,DW>du=1.66(样本容量:22)
表明:广义差分模型已不存在序列相关性.
可以验证: 仅采用1阶广义差分,变换后的模型仍存在1阶自相关性;
采用3阶广义差分,变换后的模型不再有自相关性,但AR[3]的系数的t值不显著.
单方程小结 多元回归模型
多元回归模型描述了被解释变量与诸解释变量的依赖关系
偏回归系数 i表示其它解释变量不变的条件下,第i个解释变量变化对被解释变量的 "净" 影响.
偏回归系数的估计方法:最小二乘估计
当经典假设满足时,OLS估计量为最优线性无偏估计量
多元回归模型的建模过程
明确所研究的问题,确定因变量
通过定性分析,找到导致因变量变化的主要影响因素,作为解释变量
收集数据,整理数据,数据的初步分析
分析因变量与各解释变量间关系的性质,确定模型的函数形式
建立计量模型,确定各偏回归系数的先验符号
多元回归模型的建模过程(续)
用OLS估计模型的参数,并作各种检验
经济意义检验:各偏回归系数的符号是否与预期一致
经典假设检验:多重共线,异方差,序列相关
如果存在异方差/序列相关,统计检验无效
统计检验:t检验,F检验,判定系数
筛选完善模型:设定偏误问题
模型的应用:预测,结构分析,政策建议
注意:不同形式模型偏回归系数的经济含义
回归建模示例1:粮食生产模型
根据理论和经验分析,影响粮食生产(Y)的主要因素有:
农业化肥施用量(X1), 粮食播种面积(X2),成灾面积(X3),农业机械总动力(X4), 农业劳动力(X5)
已知中国粮食生产的相关数据,建立中国粮食生产函数:
Y= 0+ 1 X1 + 2 X2 + 3 X3 + 4 X4 + 4 X5 +
模型估计结果
无异方差,无序列相关,
不显著,剔除
辅助回归
多重共线
如何修正
差分消除共线
经检验,无异方差,无序列相关,无多重共线,可剔除两个不显著变量
剔除两个不显著变量
剔除变量法:先剔除哪个变量
先剔除x5"劳动力"
剔除x5"劳动力"和x4"机械总动力"
可检验无序列相关,无异方差
去除常数项——过原点回归
一阶差分法和广义差分法的区别
原模型不同。差分法是将原模型变换为差分模型，分为一阶差分法和广义差分法，其中两者的原模型是不同的，广义差分法是一种新的微分方程数值解法。它兼有差分法的简单性和有限元法的高精度性，还具有保持质量守恒等良好性质。
广义差分法怎么判断消除序列相关
你好，经过我查阅相关资料得知广义差分法判断消除序列相关的方法如下:简单的方法就是plot出来肉眼观察，但是如果序列数据很多，比如每一个sku都有一个独立的序列数据，则肉眼观察的方法太麻烦 ，平稳性检验和方差只能衡量序列数据的稳定性和波动程度，无法直接衡量趋势的强弱。
使用简单的线性回归的方法就可以了
使用广义差分法校正自相关时,有哪些需要注意的问题?
首先 依据DW值求出ρ值 ρ=1-DW/2等于0。75。然后将利用广义差分规则即可 以两变量为例 ls y-0。75*y（-1） c x-0。75*x（-1）如果你把你的原模型发出来得话 才能进一步帮你写。如果想学习具体怎么用广义差分就message我。一两句话讲不清。
另外你这个模型DW这么小 为什么不考虑用柯奥迭代法？ 操作起来容易多了 放出模型 以俩变量模型为例： 原模型 ls y x c 柯奥迭代模型 ls y x c ar（1） ar（2）……ar（n） 建议只用两次或两次以下的迭代去除自相关。
以上就是关于广义差分法是将原模型变换为相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。
推荐阅读：
赣公网安备 50019002502384号
