序列相关性

在经济学研究中，时间序列数据占据着极其重要的地位。无论是GDP增长率、通货膨胀率、利率，还是金融市场中的股票和债券价格，这些变量都随着时间变化而记录下来，并构成了丰富且复杂的数据集。时间序列数据有一个显著特征：序列内部各期之间往往不是完全独立的，而是表现出一定的相关结构。这种沿时间推移所体现出来的依赖性，被称为序列相关性（serial correlation），也叫自相关性（autocorrelation）。

这种现象在现实经济生活中广泛存在。比如，一国季度GDP增长通常会受到上几个季度经济活动的持续影响，通胀率或失业率往往也会表现出缓慢的动态调整过程。序列相关性的本质是：过去的事件或冲击会对当前甚至未来产生影响，使得时间序列呈现“记忆”特征。

序列相关性的存在会对传统的回归分析产生深远影响。在经典的回归假设（如高斯-马尔可夫定理）中，误差项应当是相互独立的。然而，在时间序列分析中，这一条件往往难以满足。当我们使用普通最小二乘法（OLS）分析时间序列数据时，如果忽略了序列相关性，不仅可能导致参数估计不再是最有效的，还会使标准误、t统计量等推断结果严重失真，进而误导经济解释和政策建议。例如，过高估计变量的显著性，错误判断模型的拟合优度，甚至对变量之间的因果关系产生误判。因此，识别和正确处理序列相关性，是经济建模不可或缺的重要步骤，也是提升实证分析严谨性的基础。

序列相关性产生的原因

序列相关性的主要原因之一，是模型设定存在遗漏。如果模型中遗漏了某些关键解释变量，而这些遗漏变量随时间变化且具有自相关性，那么它们的影响会转移到误差项，导致残差也呈现自相关结构。

用宏观经济增长例子说明

假设我们仅用国民消费支出解释GDP增速，得到的残差序列往往存在强烈的自相关。随着我们逐步将投资、政府支出、净出口等变量加入模型，残差的自相关性显著减弱。如果我们进一步考虑季节性虚拟变量或加入全球经济冲击等因素，模型的解释力进一步提升，同时残差的自相关性也可能被基本消除。

上述GDP增长的分析表明，随着模型逐步完善、涵盖更多关键影响因素，序列相关性会显著减弱，最终近乎消失。

---

时间序列数据的理论基础

时间序列数据与横截面数据在本质上的差异十分关键。这不仅表现在数据结构上，更深远地体现在统计推断的理论根基。时间序列分析要求我们针对序列内部的“记忆性”与依赖性，发展出和横截面数据迥异的方法体系。

时间序列过程的基本概念

时间序列模型通常用于描述变量$y_t$在时间轴上的演化。最常见的线性表达式为：

$$y_t = \beta_1 + \beta_2 x_t + \beta_3 y_{t-1} + \varepsilon_t$$

其中，$x_t$为外生解释变量，$y_{t-1}$引入了动态依赖项，$\varepsilon_t$为误差项。需要注意，时间序列是一个随机过程的单次实现（realization）。例如，中国1978年至2022年的GDP增长序列，是中国经济增长过程在这一历史区间的一个实现序列。

时间序列的独特性

与横截面数据可以通过重复性实验或抽样获得独立份额不同，时间序列过程（如中国GDP、CPI或PM2.5等）的历史演变无法“再来一次”。每一份实际历史数据都是独一无二的，这对后续推断产生重要影响。

观测的相关性

时间序列数据最核心的特征是：$y_t$与$y_{t-1}$、$y_{t-2}$等存在显著统计相关性。比如中国CPI季度同比变动，往往连续数季呈现持续高位或低位，这种现象便反映了数据随时间的“自相关性”。此时，传统的独立同分布（i.i.d.）假设已不再适用，我们需要采用更一般的理论——如平稳性、遍历性等——来保障合理推断。

平稳性的重要概念

平稳性是时间序列建模和推断的基石。只有平稳过程才可能得到稳定、可重复的估计结果。

强平稳性

若时间序列过程中任意$k$个观测值联合分布与时间起点无关，则称为“强平稳”：

$P(y_{t_1}\leq c_1, ..., y_{t_k}\leq c_k) = P(y_{t_1+s}\leq c_1, ..., y_{t_k+s}\leq c_k),\ \forall s, t_1,...,t_k$

也就是说，该过程的统计结构不会随时间推移发生本质性演变。

弱平稳性（协方差平稳性）

大多数实际分析以“弱平稳”为主，包括：

1. $E(y_t)=\mu$，均值不随$t$变动；
2. 对任意$s$，$\mathrm{Cov}(y_t, y_{t-s}) = \gamma_s$，仅依赖于时间差，与本身无关。

例如，上海1990年以来的季节性PM2.5读数序列，若扣除季节性和趋势后，剩余扰动序列（即残差）近似弱平稳。

平稳过程隐含了一种经济体长期均衡回归的假设，即变量可能短期偏离均衡，但长期表现出中心回归的倾向，这对于预测与政策模拟尤为重要。

遍历性定理

遍历性（Ergodicity）是时间序列理论中又一基石，为基于一条序列的样本均值近似总体均值提供理论保障。

遍历性意味着：时间上足够分隔远的观测值，彼此趋于独立。比如中国GDP增速1978年与2022年，虽然同属于一个序列，但相隔多年后，其相关性极低。

遍历定理表明，如果时间序列既是强平稳的又具有遍历性，并且$E(y_t)<\infty$，那么

$$\overline{y}_T = \frac{1}{T} \sum_{t=1}^T y_t \xrightarrow{a.s.} \mu = E(y_t)$$

即样本均值几乎必然收敛于总体均值。这使得我们能够使用现实历史数据，推断“理论”经济统计量。

AR(1)过程的详细分析

一阶自回归模型（AR(1)）代表最基础、最常用的序列相关模型，广泛应用于中国经济增长、CPI、M2等时间序列数据。

$$\varepsilon_t = \rho \varepsilon_{t-1} + u_t$$

其中$u_t$是白噪声：$E(u_t)=0,\ \mathrm{Var}(u_t)=\sigma_u^2,\ \mathrm{Cov}(u_t, u_s)=0$，当。

AR(1)过程的性质推导

迭代代换得：

$$\varepsilon_t = u_t + \rho u_{t-1} + \rho^2 u_{t-2} + \cdots = \sum_{i=0}^{\infty} \rho^i u_{t-i}$$

说明当前扰动$\varepsilon_t$是过去所有冲击的加权和，$\rho$越大“记忆”越长。

平稳性条件

为使$\mathrm{Var}(\varepsilon_t)$有限，必须$|\rho|<1$。此时：

$$\mathrm{Var}(\varepsilon_t) = \frac{\sigma_u^2}{1-\rho^2}$$

自协方差为：

$$\mathrm{Cov}(\varepsilon_t, \varepsilon_{t-s}) = \rho^s \cdot \frac{\sigma_u^2}{1-\rho^2}$$

自相关系数为：

$$\mathrm{Corr}(\varepsilon_t, \varepsilon_{t-s}) = \rho^s$$

该图展示了正负不同$\rho$下的自相关函数：$\rho>0$时自相关缓慢递减，$\rho<0$时则正负交替衰减。

模型设定错误导致的自相关

以房地产价格为例，假如最初模型仅以“房价与收入”解释房价变动，但忽略金融政策、人口流动等变量，常会发现残差高自相关。随着对模型不断扩展，比如加入二手房交易量、贷款利率、限购限售政策等变量，残差序列的序列相关性会显著减弱。以下是一个类似的递进分析：

模型演进的效果（中国房地产市场举例）

可见，模型设定的完整性大幅影响残差序列的自相关性，关键经济变量或结构变革没有捕捉时，自相关性尤其明显。

结构变化的重要性

如2016年中国多地限购限售政策、2020年以来的“稳房价、稳地价”调控等，均可视为经济结构的大转折点。将这些因素纳入模型后，残差序列的自相关性通常会趋近于消失。说明：

1. 历史事件的持久影响：重大政策或经济事件可改变变量关系的结构
2. 模型的时间稳定性：经济关系在不同历史时期可能存在参数漂移或突变
3. 诊断分析的必要性：残差自相关性不只是统计问题，更是模型设定是否充分的信号

序列相关性的两种观点

关于如何处理序列相关性，理论和实践中存在两种主要方法：

实用主义观点

认为序列相关性是一个“技术问题”，可借助统计修正如GLS（广义最小二乘）、FGLS等优化估计方法来提升参数效率和推断的可靠性。

方法论观点

则认为序列相关反映了模型设定不完善，主张通过扩充模型变量、引入政策冲击、结构变化等经济学思路解决根本原因，而不应仅仅依赖统计修正。

实践中的平衡思路

实际应用中，通常按照如下步骤：

1. 优先完善经济模型：检视是否有关键变量遗漏、结构变革未涵盖
2. 对剩余自相关进行统计修正：如剩余的微弱自相关，可采用统计技术修正
3. 稳健性检验：尝试不同处理方式，确保主要结论不因技术选择而剧变

这种“理论—统计—稳健”的综合方式，可兼顾经济解释的说服力与统计推断的准确性。

---

扰动过程的特征分析

理解扰动过程的特性是深入处理和识别序列相关性的核心。不同类型的扰动（误差）过程反映着不同的经济学机制，因此采用的分析与建模方法也各不相同。

自协方差与自相关的严格定义

在时间序列回归等分析中，通常假定扰动项满足同方差但存在序列相关性，即：

$$E[\epsilon \epsilon' \mid X] = \sigma^2 \Omega$$

其中，$\Omega$ 是 $T \times T$ 的协方差矩阵，通常是某种结构化的特殊矩阵。

自协方差函数（Autocovariance Function）

设 $s$ 为滞后期数，第 $s$ 阶自协方差定义为：

$$\gamma_s = \operatorname{Cov}(\epsilon_t, \epsilon_{t-s}) = E[\epsilon_t \epsilon_{t-s}]$$

对于弱平稳（或严格平稳）过程，$\gamma_s$ 仅依赖于 $s$，与具体时间 $t$ 无关。

自相关函数（Autocorrelation Function, ACF）

第 $s$ 阶自相关系数定义为：

$$\rho_s = \frac{\gamma_s}{\gamma_0} = \frac{\operatorname{Cov}(\epsilon_t, \epsilon_{t-s})}{\operatorname{Var}(\epsilon_t)}$$

其中，$\gamma_0 = \operatorname{Var}(\epsilon_t)$ 为扰动项的方差。自相关函数刻画了序列依赖的强弱及衰减特性。

AR(1) 过程的数学推导与特性

一阶自回归（AR(1)）过程是序列相关性分析中最为基础也最为重要的模型之一。其形式为：

$$\epsilon_t = \rho \epsilon_{t-1} + u_t$$

其中 $|\rho| < 1$ 保证平稳性，$u_t$ 为白噪声过程（$E[u_t]=0$, ）。

方差与自协方差的递推与求解

利用平稳性条件 $\operatorname{Var}(\epsilon_t) = \operatorname{Var}(\epsilon_{t-1})$，有：

$$\operatorname{Var}(\epsilon_t) = \rho^2 \operatorname{Var}(\epsilon_{t-1}) + \sigma_u^2 \\$$

递推解得：

$$\sigma_\epsilon^2 = \frac{\sigma_u^2}{1 - \rho^2}$$

$s$ 阶自协方差：

$$\gamma_s = \operatorname{Cov}(\epsilon_t, \epsilon_{t-s}) = \rho^s \sigma_\epsilon^2$$

对应自相关系数为：

$$\rho_s = \rho^s$$

AR(1) 协方差矩阵的特殊结构

AR(1) 的协方差矩阵具有 Toeplitz 结构，即：

$$\mathrm{\Omega }=\frac{{\sigma }_u^2}{1-{\rho }^2}[\begin{array}{ccccc}1& \rho & {\rho }^2& {\rho }^3& \cdots \\ \rho & 1& \rho & {\rho }^2& \cdots \\ {\rho }^2& \rho & 1& \rho & \cdots \\ {\rho }^3& {\rho }^2& \rho & 1& \cdots \\ \mathrm{⋮}& \mathrm{⋮}& \mathrm{⋮}& \mathrm{⋮}\end{array}$$

该矩阵充分体现了“记忆逐级衰减”特征——期距越远，自协方差越弱。

其他常见扰动过程数学描述

移动平均过程（MA(1)）

移动平均过程捕捉“仅短期扰动相关”：

$$\epsilon_t = u_t - \lambda u_{t-1}$$

相关特性为：

• $\gamma_0 = \operatorname{Var}(\epsilon_t) = \sigma_u^2 (1 + \lambda^2)$

高阶自回归过程（AR(p)）

$$\epsilon_t = \theta_1 \epsilon_{t-1} + \theta_2 \epsilon_{t-2} + \cdots + \theta_p \epsilon_{t-p} + u_t$$

可呈现“周期性”、“振荡”等复杂相关结构。

自回归滑动平均过程（ARMA）

结合自回归与移动平均：

$$\epsilon_t = \theta_1 \epsilon_{t-1} + \ldots + \theta_p \epsilon_{t-p} + u_t - \lambda_1 u_{t-1} - \ldots - \lambda_q u_{t-q}$$

ARMA 过程能够极为灵活地拟合各类实际观测到的自相关特征。

中国经济数据中的实际序列相关性

以中国主要宏观变量为例，实际数据显示其误差项自相关性极显著：

GDP增长率的自相关性

CPI通胀率的自相关性

这些数据反映出中国宏观经济变量的自相关性和“粘性调整”结构，与经济理论一致。

序列相关性的经济学机制

许多经济变量的变动具有明显的惯性和调整成本。现实中，企业的生产、居民的消费乃至政府的政策调整，通常都无法立刻到位，而是受到各类约束条件的影响，呈现出逐步调整的特征。例如，企业扩产或减产往往伴随资金、技术与管理等成本，变化需要时间推进；居民的消费习惯也并非一朝改变，总有一定的“惯性”；而经济政策的实际效果，则常常由于传导链条较长而存在滞后性，不能立刻完全体现在经济运行中。

此外，经济主体在决策时普遍采取“适应性预期”的方式。即当前的决策不仅基于现实状况，更深受历史经验与过往观测的影响。比如，通胀预期往往会综合此前一段时间的通胀表现来修正，投资者也时常参考以往的投资回报制定新的投资组合，政府在调整政策时也会考虑过往政策对经济的具体影响和市场反应。因此，历史信息在经济行为中起到了重要的依赖作用，成为当期决策的一部分基础。

最后，外部冲击的影响往往具有持续性。像石油危机、金融危机等重大国际事件，不仅仅是短暂影响一次经济走势，更可能造成供给、生产、价格等多方面一系列周期的连锁反应。财政和货币政策的调整，也往往要通过复杂的机制逐步传递到各个经济部门；市场情绪和社会心理的波动恢复制约，通常也需要较长时间。正是这些特点，使得经济变量的自相关性成为常态，统计上表现为“粘性调整”和长期依赖于历史状态。

扰动过程类型的识别与建模建议

在实际的时间序列建模中，准确判断并合理建模扰动项的自相关结构，是获得可靠估计和科学推断的基础。建模流程通常需要“理论-诊断-选择-验证”相结合，以下是常见经验总结与实践建议。

典型自相关结构与建模指引

详细诊断与模型识别工具

1. 自相关函数（ACF）图：直观检查不同滞后下的相关系数，可辅助判别衰减类型。例如，缓慢指数型衰减多为AR；突然截断通常提示MA结构。
2. 偏自相关函数（PACF）图：用于决定AR项的具体阶数。PACF在p阶后骤降至零，说明可选AR(p)。
3. 信息准则（AIC、BIC等）：比较不同阶数组合的模型，选择平衡拟合优度与复杂度的最优结构。通常逐步递增阶数并对比AIC/BIC值最小的模型。
4. 残差分析与Ljung-Box检验：对拟合模型后的残差进行自相关检验，确保残差“白噪声”假设成立，若残差仍有自相关则需调整模型结构。
5. 理论与实际结合：结合经济变量特性和专业领域知识判断，利用经济学常识（如周期性、惯性、冲击来源等）辅助模型初筛。

综合应用上述方法与诊断工具，有助于构建适配数据特性的扰动项过程模型，为后续参数估计、预测与经济解释提供可靠基础。

---

序列相关性的检验方法

在实际的时间序列分析中，检验序列相关性的存在是一个不可或缺的关键步骤。如果误差项（扰动项）存在序列相关性（自相关）而我们却忽略了这一点，通常会导致$\mathrm{OLS}$估计量失去有效性，统计推断（如置信区间和假设检验）也会出现偏误，严重时甚至使结论完全失效。因此，在建模初期就应当对扰动项的自相关性进行严格检验。

检验的基本思路

序列相关性检验的基本思路是：如果真实扰动项$\varepsilon_t$存在自相关性，这种特征可以从最小二乘残差$\hat{e}_t$的自相关性中得到线索。最常见的是检验一阶自相关，即：

$$\hat{e}_t = r\hat{e}_{t-1} + v_t$$

其中$\hat{e}_t = y_t - x_t'\hat{\beta}$为残差，代表一阶自相关系数。如果显著不为零，即统计检验表明，则说明存在一阶序列相关性。

Durbin-Watson检验

Durbin-Watson检验（简称$\mathrm{DW}$检验）是最早且最为经典的序列相关性检验方法之一，目前在应用经济、金融等多个领域依然被广泛采纳。

检验统计量公式：

$$d = \frac{\sum_{t=2}^T (\hat{e}_t - \hat{e}_{t-1})^2}{\sum_{t=1}^T \hat{e}_t^2}$$

当样本容量$T$较大时，$d$与残差的一阶自相关系数$r$大致满足关系：

$$d \approx 2(1 - r)$$

其中，$r = \left(\sum_{t=2}^T \hat{e}_t \hat{e}_{t-1}\right) / \left(\sum_{t=1}^T \hat{e}_t^2\right)$。

判别规则：

其中，$d_L$和$d_U$分别为下、上界，具体数值查表获取，与样本量和解释变量数有关。

DW检验局限性：

1. 不确定区间：当$d$落入不确定区间，不能唯一判断自相关是否存在。
2. 仅检验一阶自相关：没法发现高阶（$p>1$）自相关。
3. 滞后因变量问题：模型包含滞后因变量（如$y_{t-1}$等）时，DW检验失效。

Breusch-Godfrey LM检验

Breusch-Godfrey LM检验（又称通用拉格朗日乘数法）是更为一般和强大的序列相关性检验方法，可检测任意阶的自相关，适用于包含滞后因变量的模型。

检验步骤：

其中$R^2$为辅助回归的判定系数，$p$为检验的最大滞后阶数。显著性检验拒绝$\theta_1 = \dots = \theta_p = 0$则认为存在自相关。

LM检验优势对比：

Box-Pierce 和 Ljung-Box 检验

这两类检验直接用残差的自相关系数判断是否有自相关，特别适合ARMA模型残差的诊断。

Box-Pierce Q统计量：

$$Q = T \sum_{j=1}^p r_j^2 \sim \chi^2(p)$$

其中$r_j$是残差的$j$阶自相关系数，$T$为样本容量。

Ljung-Box修正Q统计量：

$$Q^* = T(T+2) \sum_{j=1}^p \frac{r_j^2}{T-j} \sim \chi^2(p)$$

$Q^*$在有限样本下性质更优。对于残差无自相关的检验，两者都广泛使用。

中国CPI同比增速的检验实例

以中国CPI（月度同比增速）的回归残差为例，采用四种主流检验方法，统计结果如下：

四种检验均一致拒绝无序列相关性的原假设，表明CPI回归模型的残差具有显著的序列自相关性。

残差自相关系数表：

可以看到，主要存在显著的一阶自相关，因此AR(1)模型较为适用。

含滞后因变量时的检验策略

当回归方程中含有滞后依赖项（如$y_{t-1}$），传统DW检验会高估无自相关的概率，易忽略序列相关性。

Durbin $h$ 检验

为此，Durbin提出了$h$检验，检验统计量为：

$$h = r \sqrt{ \frac{T}{1 - T s^2_c}}$$

其中$r$为残差的一阶自相关系数，$s^2_c$为滞后因变量回归系数的方差估计，$T$为样本容量。$h$统计量近似服从标准正态分布。

修正型LM检验

针对这种模型，还可以在辅助回归中纳入原始解释变量和滞后因变量：

$$\hat{e}_t = x_t' \alpha + \gamma y_{t-1} + \theta_1 \hat{e}_{t-1} + \ldots + \theta_p \hat{e}_{t-p} + v_t$$

然后联合检验$\theta_1 = \cdots = \theta_p = 0$。

---

序列相关性下的估计方法

当我们确认残差存在序列相关性后，需要采取合适的估计方法，以获得有效的参数估计和可靠的统计推断。此时，普通最小二乘（OLS）估计会导致标准误低估、系数偏误甚至不一致，必须采用能够修正序列相关性的推断手段。下面介绍几种主要方法。

广义最小二乘法（GLS）

如果残差协方差矩阵 $\Omega$ 已知，广义最小二乘（GLS）估计量为

$$\hat\beta_{GLS} = (X' \Omega^{-1} X)^{-1} X' \Omega^{-1} y$$

该估计量具有最优的渐近性质：无偏、一致，并且在同类线性无偏估计中方差最小（BLUE）。

AR(1) 序列相关下的GLS变换方法

对于满足一阶自回归（AR(1)）结构的误差项模型，$\varepsilon_t = \rho \varepsilon_{t-1} + u_t$，可以通过如下变换消除序列相关：

变换后的模型满足高斯-马尔可夫假设，可以直接应用OLS：

$$\sqrt{1-\rho^2}\ y_1 = \sqrt{1-\rho^2} x_1' \beta + \sqrt{1-\rho^2} u_1$$ $$y_t - \rho y_{t-1} = (x_t - \rho x_{t-1})' \beta + u_t \quad (t = 2, \ldots, T)$$

可行广义最小二乘法（FGLS）

实际中，$\Omega$ 通常未知，需要先对 $\rho$ 等参数作出估计，这就引出了FGLS。思路是：先用OLS得到残差，再利用残差估计自相关系数，最后按上述GLS变换。

Prais-Winsten估计步骤

该方法保留首期观测，不损失样本信息。

Cochrane-Orcutt估计量

与Prais-Winsten类似，但第一步将$t=1$观测舍弃：

$$y_t - \hat\rho y_{t-1} = (x_t - \hat\rho x_{t-1})' \beta + v_t, \quad (t=2,\dots,T)$$

该算法实现简单，但损失一个观测值，长期序列效果更接近Prais-Winsten。经验中，Prais-Winsten具有一定优势。

最大似然估计（MLE）

当误差为AR(1)过程时，对数似然函数为：

$$\ln L = -\frac{T}{2} \ln(2\pi) - \frac{T}{2} \ln \sigma_u^2 + \frac{1}{2} \ln(1-\rho^2) - \frac{1}{2\sigma_u^2} \sum_{t=1}^T u_t^2$$

其中

$$u_1 = \sqrt{1-\rho^2}\ \varepsilon_1,\quad u_t = \varepsilon_t - \rho \varepsilon_{t-1} \ (t>1)$$

最大似然估计可联合估计$\beta,\ \rho,\ \sigma_u^2$等参数。

中国汽油市场的实例分析

为了直观呈现不同方法的效果，以下以中国汽油消费建模为例：

拟合模型形式为

$$\ln\left(\frac{\text{汽油消费}}{\text{人口}}\right) = \beta_1 + \beta_2 \ln(\text{汽油价格}) + \beta_3 \ln\left(\frac{\text{收入}}{\text{人口}}\right) + \beta_4 \cdot \text{趋势} + \varepsilon_t$$

不同估计方法结果对比：

主要结论：

1. 价格弹性校正： 当修正序列相关性后，价格弹性从$-0.054$提升到约$-0.12$，更符合理论预期。
2. 收入弹性变化： 收入弹性自OLS的1.625跌至0.47-0.75，说明序列相关会显著高估OLS下的收入效应。
3. 高度自相关性： $\hat\rho$达到$0.98$，表明残差高度正自相关，采用GLS/FGLS是极为必要的。

工具变量与动态模型的自相关修正

若回归中含有滞后因变量，例如$y_{t-1}$，则残差存在自相关会使OLS估计量不一致，此时必须采用工具变量(Instruments, IV)方法。

Hatanaka两步估计法

1. 用工具变量法估计含滞后因变量的回归系数（常见工具包括$X_t, X_{t-1}$及其线性组合）。
2. 用IV残差估计自相关参数$\rho$，然后进行FGLS变换。

常见工具变量的选择：

• $x_t$及其滞后；
• $y_{t-1}$在$X_t, X_{t-1}$上的拟合值；

该方法在动态面板和动态时间序列建模中也极为常用。

稳健标准误的估算（Newey-West调整）

即便采用OLS估计，也可通过稳健标准误修正序列相关性错误带来的推断偏差。Newey-West标准误是其中的主流方法。

其协方差矩阵估计为：

$$\hat V = S_0 + \sum_{l=1}^L w_l \left( \frac{1}{T} \sum_{t=l+1}^T e_t e_{t-l} (x_t x_{t-l}' + x_{t-l} x_t') \right)$$

其中，$w_l = 1-l/(L+1)$，$L$为滞后阶数，通常选择$L \approx T^{1/4}$。

实际应用举例：

以货币需求的回归为例，修正前后的标准误如下：

可以看出，修正后的标准误更大，$t$检验显著性略有下降，反映了序列相关性对假设检验的重要影响。

---

ARCH与GARCH模型详解

在金融及经济时间序列分析中，常出现“波动聚集”（volatility clustering）现象：大的收益率变动往往紧跟着大变动，小变动后又多为小变动。这种现象表明条件异方差存在，即序列的方差随时间变化，而传统的同方差（Homoscedasticity）假设难以解释这些波动。为此，需要采用ARCH类模型加以建模。

ARCH模型基本原理

ARCH（自回归条件异方差）模型由Robert Engle在1982年提出，其核心思想是误差项的条件方差取决于以往的扰动。最简单的ARCH(1)模型为：

$$y_t = x_t'\beta + \varepsilon_t \\ \varepsilon_t = u_t \sqrt{\alpha_0 + \alpha_1 \varepsilon_{t-1}^2}$$

其中 $u_t \sim N(0,1)$，且 $\alpha_0 > 0,\, \alpha_1 \geq 0$。

此模型意味着：

• $\mathbb{E}[\varepsilon_t|\varepsilon_{t-1}] = 0$
• $\operatorname{Var}[\varepsilon_t|\varepsilon_{t-1}] = \alpha_0 + \alpha_1 \varepsilon_{t-1}^2$

A股某科技龙头股票收益率波动

以下以“中证500指数某成分股”日收益率作为案例（如$y_t = \ln(P_t) - \ln(P_{t-1})$），展示ARCH效应，替换原有例子。

实证数据显示，在某些时段（如50-90与330-390日），收益率剧烈波动，而其他时段明显趋于平稳，符合ARCH过程的“波动聚集”特性。

GARCH模型与进一步推广

Bollerslev于1986年提出GARCH（广义ARCH）模型，更灵活地描述条件方差的动态性质：

$$\sigma_t^2 = \alpha_0 + \alpha_1 \varepsilon_{t-1}^2 + \delta_1 \sigma_{t-1}^2$$

（这里以GARCH(1,1)为例）

GARCH模型的主要特征比较：

GARCH平稳性条件：

$$\alpha_1 + \delta_1 < 1$$

无条件方差（长期均值）为：

$$\sigma^2 = \frac{\alpha_0}{1 - \alpha_1 - \delta_1}$$

ARCH-M模型及应用场景

现实中“高风险高收益”现象突出，ARCH-M（ARCH-in-Mean）模型将条件方差直接纳入均值方程：

$$y_t = x_t'\beta + \delta \sigma_t^2 + \varepsilon_t \\ \sigma_t^2 = \alpha_0 + \alpha_1 \varepsilon_{t-1}^2 + \delta_1 \sigma_{t-1}^2$$

其中$\delta$衡量风险溢价的显著性。若$\delta > 0$，说明风险上升带来更高预期收益。

全球主要股票市场ARCH-M估计

注：星号表示统计显著性

GARCH模型的估计方法

GARCH参数主要通过极大似然（MLE）估计。其对数似然形式为：

$$\ln L = \sum_{t=1}^T \left[ -\frac{1}{2}\ln(2\pi) -\frac{1}{2}\ln \sigma_t^2 - \frac{\varepsilon_t^2}{2\sigma_t^2} \right]$$

其中$\varepsilon_t = y_t - x_t'\beta$，$$为上述递归方程。

常见估计流程：

1. 初值设定：用OLS残差估$\beta$及$\alpha_0$，小正数初步设定$\alpha_1$, $\delta_1$

GARCH(1,1)在“中证500成分股”收益率上的估计结果（假设样本分析）：

解释：

• $\alpha_1$显著，ARCH效应成立
• $\delta_1$较大，波动有明显持久性
• $\alpha_1 + \delta_1 = 0.911 < 1$，满足平稳性

ARCH效应的识别与检验

在GARCH建模前，应先鉴别序列是否有ARCH效应，常用Lagrange Multiplier（LM）检验，步骤如下：

示例检验（“中证500成分股”，滞后期$q = 5$）：

• LM = 46.7，$\chi^2(5) = 11.07$
• 明显拒绝无ARCH效应原假设

---

总结与展望

序列相关性分析是时间序列计量经济学的核心内容，为理解和建模经济变量的动态行为提供了强大工具。

序列相关性的本质特征

序列相关性分析作为现代计量经济学的重要组成部分，为我们理解经济变量的时间演化提供了强大工具。从简单的自回归模型到复杂的GARCH规范，这些方法帮助我们更好地理解经济系统的动态特征。

在数据驱动决策日益重要的今天，掌握这些方法对于政策制定者、金融分析师和经济研究者都具有重要意义。通过适当运用这些工具，我们能够更准确地预测经济走势，更有效地管理金融风险，更科学地评估政策效果。

统计模型只是理解现实的工具，而不是现实本身。成功的分析需要将严谨的统计方法与深入的经济学洞察相结合，这样才能产生既有科学价值又有实践意义的研究成果。