序列相关性

南桥市 2021 年“青年技能跃迁计划”按月跟踪结业学员的就业率、首份工作时薪中位数、辅导完成情况和企业岗位数。林澈预先用 2020 年末及更早的教学模拟期建立基准模型；2021 年每到月末，她都把实际值与预测值的差记成残差。

她很快发现，模型二月偏乐观后，三月仍常偏乐观。一个没有被岗位数、辅导和批次解释的招聘收缩，似乎会留到下个月。本章讨论的正是这种“昨天还留在误差里”的情形，以及它会怎样改变推断和预测。

误差会留下记忆

林澈先把 1—6 月的就业率残差排成一行：-0.9、-1.3、-1.3、-0.3、0.8、0.8 个百分点。前三个月连续为负，说明模型连续高估；五、六月连续为正，说明它又连续低估。相邻月份的错误不像独立抽签。

这不等于“每两个同号残差都是自相关”。小样本本来会偶然成串。真正值得注意的是，一段偏差是否有持续方向、是否与招聘审批或结业批次同时出现，以及它在补上可解释过程后是否减弱。

原始就业率平滑，也不能直接判为问题。就业率可能本来就受趋势和样本构成影响；只有控制了可观察因素以后，残差仍带着时间结构，才说明模型留下了可以继续追问的信息。

先读残差的形状

林澈没有一上来选择 AR 阶数。她先核对时间索引：这个“八月就业率”究竟按到岗月、报送月还是修订月记录？如果问卷在九月补回、却标在八月，表面上的连续性可能只是一条错位的时间轴。

接着，她把残差画成时间线，并把 ACF 放在旁边。时间线告诉她偏差是连续、交替还是断裂；ACF 告诉她相隔一月、两月的残差还像不像。两张图一起看，才不会把一个孤立的大点误读成长期记忆。

年周期在南桥的 2021 年单年度数据中只能是待检验候选。至少有两个完整年度，才能比较同月残差、识别或检验年周期；在那之前，已知招聘季附近的偏离只能提示你保存批次信息并继续积累数据。

把图形变成问题

图形之后，检验才有合适的位置。Durbin–Watson 适合快速检查相邻残差是否异常相似；Breusch–Godfrey 型检验可追问多阶滞后残差是否仍有共同解释力；Ljung–Box 型检验把若干阶信息汇总，问残差整体是否还留着结构。

这些工具都在回答窄问题。p 值小表示值得继续查找过程和规格，p 值大则表示没有获得强反对所检验的无自相关假设的证据；无自相关也不等于独立；二者都不会自动告诉你遗漏了哪一项服务、哪次制度变化，或哪个月的数据被错放。

若你想把“本月和几月前是否同向”压缩为一个数，样本自相关就是这种压缩。它不制造因果关系，也不替代时间图；它只把残差与其滞后值的线性相似程度记录下来，供你与其他证据一起判断。

检验以后先回到现场

南桥的样本很短，林澈不会在检验显著后立刻加入五个滞后。她会先回到月度记录：结业批次是否集中、四月的记录方式是否改变、异常月是否由低回收率主导。被补上的机制，往往比新加的参数更能解释残差。

她也不会用 2021 年的十二个点测试十二期滞后。年周期只能作为候选保留，待至少积累第二个完整年度再比较同月模式。短样本中，把一个不重复的年度图形包装成“季节效应”，通常比承认不知道更危险。

在删去异常月、加入断点或加入批次信息后，她会重画同一张残差图。若短期连续性消失，说明原先的记忆部分来自可解释结构；若它仍稳定存在，才有理由考虑低阶动态或稳健推断。

核验动作应按顺序完成：

• 固定发生日、报送日、修订日与预测原点。
• 保存残差图、ACF 和异常月的过程备注。
• 比较基准、断点和批次规格，不为显著性任意加阶。
• 把年周期写成候选，等待第二个完整年度。
• 用后续月份检查改动是否真的改善预测。

推断为什么会变窄

当解释变量本身也具备持续性，同时残差之间存在正的序列相关时，常规 OLS 标准误往往会被低估，结果是 t值绝对值偏高、置信区间变窄、p值偏低。这是因为模型假定的“独立同分布”条件被破坏，残差的相关性会让我们对回归系数的不确定度估计过于乐观。然而，标准误误差的方向其实并不是总能一眼判断，它受到解释变量与误差之间时序结构的具体影响，而并非只取决于自相关的正负号大小。

即使检验发现残差显著自相关，也不意味着 OLS 系数就完全失去参考价值。你需要重点区分以下几点：

• 只要模型结构写得合理，且解释变量与误差间没有系统性关联，OLS 点估计通常仍然具有无偏性和线性属性；
• 主要需要修正的，是推断的标准误、置信区间和显著性判断，而不是点估计本身；
• 如果出现“辅导次数受到即将就业困难的预期影响提前调节”这类内生性行为，会引入新的问题，这些结构性相关性是 HAC 等稳健标准误不能解决的。

简而言之，自相关影响主要体现在推断不稳健上，而不是点估计的有效性；真正影响点估计无偏性的，是解释变量与误差的系统性关联（内生性）。

为了让团队理解残差相关的影响，林澈会把常规标准误给出的区间和考虑残差结构修正后（如 Newey-West 或 HAC）的区间在同一张表或图中并列展现。她强调点估计本身不变，但区间宽度、t 检验、p 值可能会有明显不同。团队需要明白哪些结论在考虑月度相关或统计稳健性后仍然成立，哪些只是在样本较小时出现的偶然现象。

她补充说明：只依靠星号和显著性未必安全，特别是在数据有限、残差明显不独立的情形下。每次检验后都应仔细解释推断的前提，分析哪些变量的影响在各种修正下最稳定，哪些则可能因弱序列、短样本或结构变动而仅供暂时参考。

修正要匹配目的

HAC 的用途是修正既有回归的标准误，使区间对异方差和短程、随滞后衰减的序列相关更稳健。它通常保留 OLS 点估计，不会使残差自动变白，也不会替你预测七月岗位数；它回答的是“这组关联有多精确”。

GLS 式方法或回归加 AR 误差的目标不同。若误差结构有清楚依据，并且残差诊断支持它们，你可以利用该结构提高估计或预测效率；但若把断点、趋势或日期错位硬塞进 AR 结构，模型会把可解释变化伪装成随机记忆。

林澈因此先写下任务，再选工具。她若只需稳健区间，就比较少数合理 HAC 设定；她若要提高一步预测，才比较业务滞后和低阶误差动态。任何更复杂的设定，都必须在滚动预测中胜过透明的基准。

先解释时间路径

职业辅导不是当月按下按钮、当月就全部变成就业。学员要改简历、投递、面试，企业也要审批和发 offer。若这条过程通常跨一两个月，把当前和过去的辅导次数写进均值关系，比让所有延迟都躲在残差里更容易解释。

林澈先把每一项读成一段路径。教学模拟中，当期、滞后一期、滞后二期的关联为 0.05、0.24、0.11，关注点不该是哪个月“赢了”，而是累计关联 $0.05+0.24+0.11=0.40$ 是否稳定、是否符合求职流程。

这种时间顺序仍然不是因果许可证。项目组可能预见到招聘困难，才提前增加辅导；于是辅导与未来就业共享了未观察到的信息。动态项帮助你表达传导，不会替代对照、外生变化或其他识别设计。

核验动态项时，请逐步完成：

• 写出辅导、面试、offer、到岗各自发生的月份。
• 限定与流程相符的一至两期滞后，不盲目加长。
• 同时查看单期和累计关联，而不是只挑一个显著项。
• 重画残差，确认遗漏的短期结构是否真的减弱。

让误差接着走

业务滞后和 AR 误差要分开读。前者说“上月辅导或岗位会通过可解释流程影响今天”；后者说“控制这些变量后，仍有一部分未解释冲击会延续”。把上月就业率机械放进方程，可能掩盖景气、口径或样本构成变化。

一阶 AR 的直觉很简单：本月未解释偏差，等于上一月偏差的一部分，加上本月新发生的创新冲击。前一个部分允许保留记忆，后一个部分才应尽量接近白噪声。若新冲击不断到来，历史余波并不会保证未来按同一路径走。

另设一个与开篇不同的演算情景，五月残差为+1.2、$\rho=0.5$ 时，在没有新冲击的条件下，六月会保留约 +0.6 的余波，七月旧余波约为 +0.3。这个条件计算能改善一步判断，却不能把政策断点或市场转向当作稳定参数的一部分。

预测在月末开始

真正的预测必须站在当时的月末。本节的基准与动态候选模型由 2020 年末及更早的教学模拟期预先建立；在 2021 年 6 月 30 日预测 7 月时，林澈只能使用已完成辅导、已公布岗位计划、日历和 6 月残差。

她拿到真实 7 月后，会把它与更早训练期一起用于更新，再预测 8 月。这样不会暗示用六个点重估含多协变量的模型。若把 7 月月底才发布的岗位数带回 6 月，就能得到漂亮的事后拟合，却不能帮助当时安排服务。

预测区间同样需要被记录。一步预测可以使用最近余波；两步以后，旧冲击会衰减而新冲击、未来岗位和政策变化更重要。点预测看似清楚，区间才告诉项目组需要为多大的误差留出余地。

南桥案例任务

现在请你接手林澈的月度跟踪表。已知 1—3 月残差连续为负，滞后 1 和滞后 2 的自相关（ACF）均为正，四月开始改变了记录方式，辅导通常在上月实施、当月逐步见效。项目组既需要预测下月就业率 $y_{t+1}$，也要明确描述辅导 $c_{t-1}$ 与就业的关联区间。

请按“发现—修正—边界”三步展开分析：

1. 发现（Diagnosis）：

• 1—3 月月度残差均为负，表示实际值持续低于模型基准预测，即 $$e_t = y_t - \hat{y}_t < 0, \quad t = 1,2,3$$
• 滞后 1 与 2 的自相关函数 $ACF(e_{t-1}), ACF(e_{t-2}) > 0$，提示短期残差有延续性，独立误差假设不符。
• 四月记录方式切换，可能导致模型参数或解释变量 $c_t$、$v_t$ 的跳变，不能简单延用此前相关。

2. 修正（Correction）：

• 检查四月断点效应，对应模型新增断点虚拟变量 $D_t$，可设 $$y_t = \beta_0 + \theta_0 c_t + \theta_1 c_{t-1} + \theta_2 c_{t-2} + \delta v_t + \gamma D_t + e_t$$ 其中 $D_t = 1$ 表示四月及以后观测。
• 采用 $c_{t-1}$ 作为主业务滞后，因辅导多在上月实施，当前月见效。可以对比单期和两期滞后。
• 残差序列可设为一阶自回归 $$e_t = \rho e_{t-1} + u_t$$ 若 $\rho$ 明显大于 0，则AR误差模型更恰当；也建议用 Newey-West/HAC 标准误以稳健检验显著性。
• 区别对照以下规格为参考：
  • 仅基准回归（无滞后，无断点，无AR）
  • 加入四月断点与业务滞后
  • 引入 AR 误差结构

3. 边界（Boundary）：

• 目前训练样本较短，年周期性和季节影响尚无法分辨。
• 四月以来观测量有限，$c_{t-1}$、断点、AR 三者参数估算稳定性需谨慎。
• 现实中的因果识别（如潜变量、未观测冲击）尚不足，只能说“关联增强”，不能直接判断“因果影响”。
• 未来岗位与辅导的实际兑现值未必等于已知计划；即使有计划，未来输入仍有不确定性，区间预测需反映此类不确定性。

请务必在分析和报告中：

• 写清每次预测的原点、各输入($c_{t-1}$、$v_t$等)在什么时候可得；
• 保留残差与结构变化的图表、短滞后正相关的统计，举出两种以上业务可能解释（如岗位减少、记录口径变化等）；
• 明确并列基准、业务滞后与AR误差三种模型规格并展示关键结果；
• 报告常规与稳健（HAC/AR）置信区间，不只挑显著性最强一列；
• 保存滚动预测的点值、置信区间、实际观测及重要事件的备注；
• 最后将结论严格区分为“有关联”“有提升”“有限制”，避免直接断言因果。

这样有助于逐步完善模型，确保发现和解释都清晰、稳健、可复核。

把结论说轻

项目简报可以这样开始：“最近三个月实际就业率连续低于基准预测；残差存在短期延续迹象，因此独立误差下的区间可能过窄。”这句话既说明了发现，也没有把一个残差图夸大成对项目成败的裁决。

接着补上行动：“我们将核对招聘与记录变化，比较相关稳健区间和低阶动态规格，并在滚动预测中检查是否改善。”行动既可能是补变量，也可能是保留简单模型；复杂度不是进步，能被下一月检验才是。

最后写清边界：“辅导的正向关联仍需结合样本短度、年周期候选、未来输入和因果识别设计解释。”时间记住昨天并不可怕；可怕的是把昨天留在残差里，却假装它从未发生。