『壹』 計量經濟學名詞解釋+異方差和序列相關的區別
異方差性：對於不同的解釋向量，被解釋變數的隨機誤差項的方差不再是常專數，而互不屬相同，則認為出現了異方差性。序列相關性：如果對於不同的解釋向量，隨機誤差項之間不再是不相關的，而是存在某種相關性，則認為出現了序列相關性。對比OLS回歸的假設就明白啦：異方差因為違反了殘差序列同方差的假定序列自相關違反了殘差序列獨立不相關的假定
『貳』 計量經濟學自相關系數，協方差系數的計算公式是什麼
可決系抄數和相關系數的聯系和區別：
a.
相關系數是建立在相關分析基礎上的，研究的是隨機變數之間的關系；可決系數則是建立在回歸分析基礎上，研究的是非隨機變數x對隨機變數y的解釋程度。
b.
在取值上，可決系數是樣本相關系數的平方。
c.
樣本相關系數是由隨機的x和y抽樣計算得到，因而相關關系是否顯著，還需進行檢驗。
『叄』 計量經濟學中隨機誤差存在自相關的原因是什麼
自相關現象通常出現在時間序列模型之中。因為經濟變數變化的連續性常常表現回出前後答值之間相關；再者在建立模型時有可能遺漏了解釋變數也會導致自相關；還有模型的表達形式有誤也會產生系統偏差而引起自相關，自相關問題是計量模型普遍存在的問題。李寶仁
『肆』 計量經濟學中的自相關指什麼啊
如果隨機誤差項的各期望值之間存在著相關關系，這時，稱隨機誤差項之間存在自相關性（ion）或序列相關。
對於模型 y t= b0 +b1x1t+b2x2t+……bkxkt+ut
如果隨機誤差項的各期望值之間存在著相關關系，即
cov(ut,us)=E(utus) ≠ 0 (t,s=1,2,……k)
這時，稱隨機誤差項之間存在自相關性（autocorrelation）或序列相關。
隨機誤差項的自相關性可以有多種形式，其中最常見的類型是隨機誤差項之間存在一階自相關性或一階自回歸形式，即隨機誤差項只與它的前一期值相關：cov(ut,u t-1) =E（ut,u t-1) =/= 0,或者u t=f(u t-1),則稱這種關系為一階自相關。
一階自相關性可以表示為
ut= p1 u i-1 + p2 u i-2 + p3 u i-3 + …… p p u t-p + v t
稱之為p 階自回歸形式，或模型 存在 p 階自相關
由於無法觀察到誤差項 u t,只能通過殘差項 e t來判斷 u t 的行為。如果 u t或 e t呈出下圖(a) -(d) 形式，則表示u t 存在自相關，如果 ut 或et 呈現圖中 (e) 形式，則 表示 u t不存在自相關
線性回歸模型中的隨機誤差項的序列相關問題較為普遍，特別是在應用時間序列資料時，隨機誤差項的序列相關經常發生。
自相關性產生的原因：
線性回歸模型中隨機誤差項存在序列相關的原因很多，但主要是經濟變數自身特點、數據特點、變數選擇及模型函數形式選擇引起的。
1.經濟變數慣性的作用引起隨機誤差項自相關
2.經濟行為的滯後性引起隨機誤差項自相關
3.一些隨機因素的干擾或影響引起隨機誤差項自相關
4.模型設定誤差引起隨機誤差項自相關
5.觀測數據處理引起隨機誤差項序列相關
自相關的後果：
線性相關模型的隨機誤差項存在自相關的情況下，用OLS（普通最小二乘法）進行參數估計，會造成以下幾個方面的影響。
從高斯-馬爾可夫定理的證明過程中可以看出，只有在同方差和非自相關性的條件下，OLS估計才具有最小方差性。當模型存在自相關性時，OLS估計仍然是無偏估計，但不再具有有效性。這與存在異方差性時的情況一樣，說明存在其他的參數估計方法，其估計誤差小於OLS估計的誤差；也就是說，對於存在自相關性的模型，應該改用其他方法估計模型中的參數。
1.自相關不影響OLS估計量的線性和無偏性，但使之失去有效性
2.自相關的系數估計量將有相當大的方差
3.自相關系數的T檢驗不顯著
4.模型的預測功能失效
如何判斷數據存在自相關性
a. 用相關計量軟體: 比如說E-VIEWS檢查殘差的分布。 如果殘差分布具有明顯和圓潤的線性分布圖像， 說明自相關性存在的可能性很高。反之， 無規則波動大的分布圖像顯示出相關性微弱。
b.Durbin-Watson Statistics(德賓—瓦特遜檢驗)： 假設time series模型存在自相關性，我們假設誤差項可以表述為 Ut=ρ*Ut-1+ε. 利用統計檢測設立假設，如果ρ=o.則表明沒有自相關性。Durbin-Watson統計量（後面建成DW統計量）可以成為判斷正、負、零（無）相關性的工具。 DW統計量： d=∑(Ut-Ut-1)^2/∑ut^2≈2*(1-ρ).如果d=2則基本沒有自相關關系，d靠近0存在正的相關關系，d靠近4則有負的相關關系。
c. Q-Statistics 以（box-pierce)- Eviews( 7th version第七版本）為例子： 很多統計計量軟體軟體提供Q test來檢測，這里用Eviews為例子。 Q的統計量（test statistics）為 Q=n*∑ρ^2. 零假設null hypothesis H0=0和方法2的含義一樣。如果零假設證明失敗，則對立假設ρ≠0成立，意味著有自相關性。
如何減弱模型的自相關性
方法一（GLS or FGLS）： 假設存在自相關性的模型，誤差項之間的關系為：Ut=ρ*Ut-i+ε（ε為除了自相關性的誤差項，i.i.d~（0,σ）. t時期的模型為 yt=βxt+Ut, t-1時期則為 ρ*yt-1=ρ*βxt-1+ρ*Ut-t。用t時期的減去t-1時期的可得出yt-yt-1=β(xt-xt-1)+(Ut-Ut-1).已知 Ut-Ut-i=ε。經過整理後新的模型滿足Gauss-Makov的假設和，White noise condition （同方差性或者等分散），沒有自相關性。
方法二（HAC：Heteroscedasticity Autocorrelation consistent): 以Eviews為例子，在分析模型時選擇HAC，在模型中逐漸添加time lag的數目，來校正DW統計量達到正常值減少自相關性。
『伍』 計量經濟學中用懷特（White）檢驗修正了異方差性，進行自相關檢驗時發現該模型還有序列自相關，該如何修正
看你的目的是什麼啦，如果僅僅估計參數，無論是異方差還是自相關，你的回參數都是無偏的答；但方差較大，預測准確度較低。
你要克服異方差同時還有自相關，建議擬採用FGLS（可行廣義二乘），可同時達到目的。廣義差分盡管也可以，但損失自由度，而且要你自己推斷出相關系數。
但我覺得奇怪的是，你為什麼同時既有異方差又有序列相關；所以我覺得你很可能是有遺漏變數，遺漏變數進入殘差項中，且與自變數相關，最終會導致你估計非無偏且非一致。
所以，最好先用直接做回歸，後得到的殘差，與自變數測下相關性；如相關性強，則說明存在遺漏變數。然後你採用工具變數法進行回歸就可以了。
『陸』 求助，計量經濟學自相關LMtest
LM統計量=Obs*R-squared它漸進服從卡方分布，如果太大，這拒絕原假設在eviews中看p值即可，如果p值比較小，比如小於0.005，則拒絕原假設，認為原模型存在自相關。
『柒』 計量經濟學中，我在做實證分析時，模型既有異方差又有自相關，怎麼處理這個問題是怎麼處理的呢
首先，若是橫截面數據主要考慮異方差，若是時間序列主要考慮自相關。
你現在的情況同時存在異方差和自相關，建議你先考慮產生自相關的原因是模型誤設還是純粹的自相關。如果只是純粹的自相關，可以用FGLS解決自相關的問題。
而你在解決了自相關後發現，還存在異方差的問題。但是通常情況下方差都是未知的，我們不方便再做加權最小二乘了。這時要解決異方差的問題，可以採用懷特的「異方差穩健標准誤」，基於這個標准誤構造出的統計量可以做出有效的統計推斷。
再說一種方法吧，當同時存在異方差和自相關時，你可以直接使用HAC，也就是異方差自相關一致標准誤，基於這個標准誤構造的統計量可以做出正確的推斷。它的前提是你的樣本需要足夠大。
最後，還需要你根據自己的情況構造出一個合適的模型，上面那些只是理論上的參考。
『捌』 計量經濟學中哪些變數存在自相關
自相關指的是被解釋變數與其自身前期滯後的相關性.在計量中,通常用隨機干擾項的自相關來衡量,即u(t)=a*u(t-1)
『玖』 求解一道關於自相關性計量經濟學題目
一般都用alpha = 0.05。
據此查表，能查到upper bound 和 lower bound: [1.273 1.446]
DW在兩者之間，所以無法判定。