第1页，共28页，星期日，2025年，2月5日一、序列相关性产生的原因与后果二、序列相关性的检验三、序列相关性的修正四、修正结果的再检验五、说明第2页，共28页，星期日，2025年，2月5日一、序列相关性产生的原因与后果：原因：数据违背了OLS估计的五条基本前提假设之一：在这种情况下数据具有了多重共线性，对于某两个或多个解释变量而言，它们之间存在着相关性。具体的经济问题中，一般经验告诉我们，时间序列为基础的数据所建立的模型，往往存在着多重共线性。第3页，共28页，星期日，2025年，2月5日后果：由于多重共线性的存在已经使数据违背了OLS估计的五大基本原则，若不对数据进行处理就进行OLS估计，则会出现以下后果：(1)参数的估计量非有效(方差不再是估计值中最小的)。(2)变量的显著性检验失去意义。(3)模型的预测失效。这些后果的详细解释和其它后果的产生请参阅李子奈版《计量经济学》P70第4页，共28页，星期日，2025年，2月5日我们将拿李子奈书P86的模型作例子：具体的参数选择和变换这里就不赘述了，大家看书即可，书上一目了然。数据见下页：第5页，共28页，星期日，2025年，2月5日年份(年)发电量(亿千瓦时)Y调整后的农业总产值(亿元)X1调整后轻工业总产值(亿元)X2调整后重工业总产值(亿元)X319711384538.5779941.01641249.54619721524534.55991003.651336.67919731668578.40231105.8391443.43119741688594.1321132.2991415.14619751958603.73741289.2341636.86119762031599.90471319.9641668.18619772234598.94841491.8031900.72919782566642.59431663.0242195.81119792820639.5481860.7832398.54419803006676.86352193.1412458.48419813093724.10362485.2552340.48319823277806.69262567.2822543.53619833514855.89792730.8362897.21319843770961.69963047.2973385.9819854107997.24443772.5044178.396198644951039.3684226.8044650.277198749731081.4065034.7965413.767198854521102.6515895.6016070.256198958481068.3345951.8816225.664199062121286.0026246.9596404.548199167751396.9867084.7037416.325199275391504.6378711.1569748.009199383951605.81310326.9513143.88199492811644.22213760.5515471.3第6页，共28页，星期日，2025年，2月5日二、序列相关性的检验1、散点图法：2、D—W检验法：3、B.G检验：第7页，共28页，星期日，2025年，2月5日1、散点图法：原理：此方法即为计算当前残差与滞后一期残差的散点图。如果大部分点落在一、三象限，则表明随机项存在正自相关。如果大部分点落在二、四象限则表明随机项存在负相关。第8页，共28页，星期日，2025年，2月5日第一步、建立工作文档，输入数据并作OLS估计。目的是得到残差resid。(具体的数据选择和修正步骤见书，此处从略)第二步、在命令栏键入Scatresidresid(-1)得到残差的散点图(见下页图)：具体操作方法：第9页，共28页，星期日，2025年，2月5日判断标准：1、若散点在四个象限呈无规律的散布状态，则模型不存在自相关。2、若散点多散布在一三象限，则模型存在着严重的正自相关。3、若散点多散布在二四象限，则模型存在着严重的负自相关。第10页，共28页，星期日，