相关系数一度量两个变量线性相关程度的指标 对于所研究问题的总体而言, ·总体相关系数用麦表示,计算公式为 coV(x,y covx, y) pry a(x)√Var(y) 相关系数 协方差 标准差的乘积
相关系数—度量两个变量线性相关程度的指标 • 对于所研究问题的总体而言， • 总体相关系数用表示，计算公式为 标准差的乘积 协方差 相关系数＝ cov( , ) Var( ) Var( ) cov( , ) , x y x y x y x y x y = =
△线性相关图示 1200 1000 600 200 5001000150020002500
△ 线性相关图示 200 400 600 800 1000 1200 0 500 1000 1500 2000 2500 Y X 20 30 40 50 60 70 80 0 10 20 30 40 Y X
相关系数与协方差含义的理解 协方差大于0相关系数大于0正相 关 协方差小于0相关系数p小于0一负相 关 协方差等于0相关系数p等于0不相 关
相关系数与协方差含义的理解 • 协方差大于0——相关系数大于0—正相 关 • 协方差小于0——相关系数小于0—负相 关 • 协方差等于0——相关系数等于0—不相 关
元线性回归模型的基本假设 (1)随机误差项均值为0 E(p)=0; (2)随机误差项同方差 Var(wi=ou; (3)随机误差项无序列相关 COV(,u)=E(u)=0(i≠j (4)x是确定性的,非随机变量Cov(x1,=0; (5)随机误差项服从正态分布 N(O,G12) ,2,…,n;i
一元线性回归模型的基本假设 （1）随机误差项均值为0 E(i )=0 ； （2）随机误差项同方差 Var (i )= 2； （3）随机误差项无序列相关 COV(i , j) =E(i j)=0 （i ≠ j） （4）x是确定性的，非随机变量 Cov(xi , i )=0； （5）随机误差项服从正态分布 i~N(0, 2 ) i,j= ,2, …,n； i≠j
多元线性回归模型的基本假设 (1)随机误差项均值为0 E(p)=0; (2)随机误差项同方差 var(p)=σn2; (3)随机误差项无序列相关 C0V(4,41)=E()=0(i≠j) (4)x是确定性的,非随机变量Cov(xiμ=0; (5)随机误差项服从正态分布 NO0,o12) (6)解释变量之间互不相关 i=,2
多元线性回归模型的基本假设 （1）随机误差项均值为0 E(i )=0 ； （2）随机误差项同方差 Var (i )= 2； （3）随机误差项无序列相关 COV(i , j) =E(i j)=0 （i ≠ j） （4）x是确定性的，非随机变量 Cov(x ji, i )=0； （5）随机误差项服从正态分布 i~N(0, 2 ) (6) 解释变量之间互不相关 i,j= ,2, …,n； i≠j
问题的提出 普通最小二乘法(oLS)要求计量模型 的随机误差项相互独立或序列不相关 如果模型的随机误差项违背了序列不相关 的基本假设的情况,称为序列相关性
如果模型的随机误差项违背了序列不相关 的基本假设的情况，称为序列相关性。 普通最小二乘法（OLS）要求计量模型 的随机误差项相互独立或序列不相关。 问题的提出
§27序列相关性 Serial Correlation 序列相关性的概念—违反基本假设的定义 及违反的原因 二、序列相关性的后果违反基本假设会造成 什么样的后果 三、序列相关性的检验—怎样诊断是否违反基 本假设 四、具有序列相关性模型的估计—如何消除或 减弱对基本假设的违反 五、案例
§2.7 序列相关性 Serial Correlation 一、序列相关性的概念——违反基本假设的定义 及违反的原因 二、序列相关性的后果——违反基本假设会造成 什么样的后果 三、序列相关性的检验——怎样诊断是否违反基 本假设 四、具有序列相关性模型的估计——如何消除或 减弱对基本假设的违反 五、案例
探求四个问题的答案 序列相关的性质是什么? 序列相关的后果是什么? 在实际中,如何检验序列相关的存在? 如果发现存在序列相关,如何采取补救 措施?
探求四个问题的答案 • 序列相关的性质是什么？ • 序列相关的后果是什么？ • 在实际中，如何检验序列相关的存在？ • 如果发现存在序列相关，如何采取补救 措施？
关于序列相关的一点说明 假定模型满足其它所有假设,仅仅违背 无序列相关假设的条件下,讨论序列相 关问题
关于序列相关的一点说明 • 假定模型满足其它所有假设，仅仅违背 无序列相关假设的条件下，讨论序列相 关问题
、序列相关性的概念
一、序列相关性的概念
