摘要：本文通過具體案例，簡(jiǎn)要說明根據(jù)時(shí)間序列數(shù)據(jù)建立和相應(yīng)經(jīng)濟(jì)理論建立線性回歸模型的簡(jiǎn)要步驟及基本原則，并著重介紹了在模型建立和模型有效性檢驗(yàn)過程中需要注意的三個(gè)主要問題，最后簡(jiǎn)單介紹了進(jìn)行模型修正的相應(yīng)方法。
　　一、 引言
　　多元線性回歸模型的一般形式為：
　　Y=β0+β1X1+β2X2+…+βkXk+μi(k,i=1,2,…,n)
　　其中k為解釋變量的數(shù)目，βk（k=1,2,…,n)稱為回歸系數(shù),上式也被稱為總體回歸函數(shù)的隨機(jī)表達(dá)式。
　　從統(tǒng)計(jì)意義上說，所謂時(shí)間序列模型就是將某一個(gè)指標(biāo)在不同時(shí)間上的不同數(shù)值，按照時(shí)間的先后順序排列而成的數(shù)列。這種數(shù)列由于受到各種偶然因素的影響，往往表現(xiàn)出某種隨機(jī)性，彼此之間存在著統(tǒng)計(jì)上的依賴關(guān)系。從數(shù)學(xué)意義上說，如果我們對(duì)某一過程中的某一個(gè)變量或一組變量X(t)進(jìn)行觀察測(cè)量，在一系列時(shí)刻t1,t2,…,tn(t為自變量，且t1<t2<…<tn)得到的離散有序數(shù)集合Xt1,Xt2,…,Xti稱為離散數(shù)字時(shí)間序列。設(shè)X(t:t∈T)是一個(gè)隨機(jī)過程，Xti(i=1,2,…)是在時(shí)刻i對(duì)過程X(t）的觀察值，則Xti(i=1,2,…)稱為一次樣本實(shí)現(xiàn)，也就是一個(gè)時(shí)間序列。時(shí)間序列模型有很多種類，比較典型的例如ARDL模型，ARIMA模型，VAR模型，ARCH模型及GARCH模型等。
　　二、 模型的建立與歷史數(shù)據(jù)的分析、預(yù)測(cè)
　　一般而言，一個(gè)“好”的模型，應(yīng)該具有以下特征：
　　1. 節(jié)省性。一個(gè)好的模型應(yīng)在相對(duì)精確反映顯示的基礎(chǔ)上盡可能的簡(jiǎn)單。
　　2. 可識(shí)別性。所謂的可識(shí)別性，是指對(duì)于給定的一組數(shù)據(jù)，估計(jì)的參數(shù)要有唯一確定值。
　　3. 高擬合性。指模型解釋被解釋變量的能力應(yīng)當(dāng)盡可能的高。
　　4. 理論一致性。模型應(yīng)當(dāng)以相應(yīng)的科學(xué)理論為基礎(chǔ)，否則盡管模型的解釋能力很強(qiáng)，擬合性很好，也是失敗的模型。
　　5. 預(yù)測(cè)能力。一個(gè)好的模型必須對(duì)未來(lái)有較強(qiáng)的解釋能力。
　　下面，我們以我國(guó)1980年至2002年的國(guó)內(nèi)生產(chǎn)總值數(shù)據(jù)為例，使用多元線性回歸模型進(jìn)行詳細(xì)說明。
　　根據(jù)薩繆爾森提出的乘數(shù)-加速數(shù)模型，投資的增加對(duì)國(guó)民收入的增加具有乘數(shù)作用，反過來(lái)，國(guó)民收入對(duì)引致投資具有加速作用。根據(jù)這一模型，我們可以建立如下簡(jiǎn)單模型：
　　GDPt=β0+β1GDPt-1+β2It
　　公式1
　　其中，GDP代表全年國(guó)內(nèi)生產(chǎn)總值，I代表當(dāng)年全社會(huì)固定資產(chǎn)投資。
　　下面，我們使用Eviews5.0軟件，使用最小二乘法來(lái)估計(jì)該模型。
　　
　　
　　圖表1
　　從以上結(jié)果可以得到，我們得到具體模型：
　　GDPt=2795.560+0.653687GDPt-1+0.995849It
　　其中R2及AdjustedR2分別為0.995243及0.994743，顯示該模型有著很高的擬合度。
　　但經(jīng)典線性回歸模型有五個(gè)基本前提假設(shè)：
　　1) E(ut)=0，即誤差項(xiàng)具有零均值；
　　2) Var(ut)=σ2<，即誤差項(xiàng)具有常數(shù)方差，且對(duì)于所有x值是有限的；
　　3) Cov(ui,uj)=0，即誤差項(xiàng)之間在統(tǒng)計(jì)意義上是相互獨(dú)立的；
　　4) Cov(ui,xt)=0，即誤差項(xiàng)與變量x無(wú)關(guān)；
　　5) ut~N(0,σ2)，即誤差項(xiàng)服從正態(tài)分布。
　　這五個(gè)前提假設(shè)有時(shí)候會(huì)被違背，其中異方差、自相關(guān)及多重共線性出現(xiàn)的情況比較多。
　　異方差是對(duì)同方差假設(shè)的違反，即Var(ut)=σ2常數(shù)。當(dāng)出現(xiàn)異方差情況時(shí)，使用最小二乘法估計(jì)的出的模型線性和無(wú)偏性不會(huì)受影響，但不再具備最優(yōu)性，即在所有線性無(wú)偏估計(jì)值中我們得出的估計(jì)值的方差并非是最小的，所以的模型的準(zhǔn)確性受到影響。下面我們使用ARCH檢驗(yàn)來(lái)檢驗(yàn)該模型是否有異方差的情況出現(xiàn)。
　　
　　圖表2
　　
　　上圖即為ARCH檢驗(yàn)的結(jié)果。從圖中可得，擬合優(yōu)度與觀測(cè)數(shù)的乘積為0.106723*22等于2.347906，F(xiàn)統(tǒng)計(jì)量為6.083602，因此接受原假設(shè)，該模型沒有異方差情況出現(xiàn)。
　　自相關(guān)情況是指經(jīng)典線性回歸模型的基本假設(shè)第三條Cov(ui,uj)=0，即誤差項(xiàng)之間在統(tǒng)計(jì)意義上是相互獨(dú)立被違反，Cov(ui,uj)0，ij，隨機(jī)誤差項(xiàng)的取值與它的前一期或前幾期的取值有關(guān)。自相關(guān)有正相關(guān)和負(fù)相關(guān)之分，實(shí)證表明，在經(jīng)濟(jì)數(shù)據(jù)中常見的是正自相關(guān)。自相關(guān)出現(xiàn)的后果有：最小二乘法估計(jì)量仍然是線性的和無(wú)偏的，但卻不是有效的；最小二乘法估計(jì)量的方差是有偏的。這樣會(huì)使我們誤認(rèn)為方程是正確的，但卻又無(wú)法用經(jīng)濟(jì)理論解釋。下面我們用Durbin-h檢驗(yàn)來(lái)檢驗(yàn)?zāi)Ｐ褪欠翊嬖谧韵嚓P(guān)。
　　
　　圖表3
　　我們可以看到，其中Durbin-Watson統(tǒng)計(jì)值為0.373080。因?yàn)榇嬖诒唤忉屪兞康臏�后�?xiàng)，所以DW檢驗(yàn)失效，可以采用Durbin-h檢驗(yàn)法。滯后因變量系數(shù)的標(biāo)準(zhǔn)誤差是0.135，DW=0.37，T=23，所以h=5.13。因?yàn)?.13大于顯著性水平為0.05正態(tài)分布的臨界值1.96，因此我們拒絕不存在序列自相關(guān)的原假設(shè)。
　　多重共線性是指回歸模型中的任一變量都可以由其它變量的線性組合退出，則這組變量滿足多重共線性。一般來(lái)說，多重共線性普遍存在，嚴(yán)重的多重共線性將導(dǎo)致：1、回歸方程參數(shù)估計(jì)值不準(zhǔn)確；2、由于參數(shù)估計(jì)值的標(biāo)準(zhǔn)差變大，t值將縮小，使得t檢驗(yàn)有可能得出錯(cuò)誤的結(jié)論；3、將無(wú)法區(qū)分單個(gè)變量對(duì)被解釋變量的影響作用。多重共線性的檢驗(yàn)可以通過觀察解釋變量之間的相關(guān)系數(shù)來(lái)判斷。
　　
　　圖表4
　　從上述表格我們可以看出，被解釋變量GDP（-1）與I之間的相關(guān)系數(shù)高達(dá)0.992042。一般來(lái)說，當(dāng)兩個(gè)解釋變量之間的相關(guān)系數(shù)大于0.8，我們就可以認(rèn)為存在嚴(yán)重的多重共線性，因此，該模型兩個(gè)被解釋變量之間具有嚴(yán)重的多重共線性。
　　三、 結(jié)語(yǔ)
　　從上文我們可以看出，盡管我們根據(jù)相應(yīng)的經(jīng)濟(jì)理論建立了一個(gè)簡(jiǎn)單的模型，并以相應(yīng)的時(shí)間序列數(shù)據(jù)為基礎(chǔ)，使用最小二乘法對(duì)參數(shù)進(jìn)行了估計(jì)，得到了一個(gè)具有很高擬合優(yōu)度的模型。但該模型本身存在自相關(guān)及多重共線性問題，因此相應(yīng)估計(jì)參數(shù)并不精確，并不是一個(gè)能夠投入實(shí)際使用的，具有真正價(jià)值的模型。對(duì)于異方差，我們可以使用廣義最小二乘法、模型對(duì)數(shù)變換法等方法來(lái)進(jìn)行修正；對(duì)于自相關(guān)，我們可以使用廣義差分法、杜賓兩步法來(lái)進(jìn)行修正；對(duì)于多重共線性，我們則可以通過刪除不必要變量、改變解釋變量的形式、補(bǔ)充新數(shù)據(jù)等方法來(lái)進(jìn)行修正，這些方法的具體內(nèi)容與本文主題無(wú)關(guān)，在此就不再贅述。