如果仅存在 E(11)≠0 (2.52) 称为一阶序列相关,或自相关( autocorrelation) 这是最常见的一种序列相关问题 自相关往往可写成如下形式: <0< (2.53) 其中:p被称为自协方差系数( coefficient of autocovariance)或一阶自相关系数(frst- order coefficient of autocorrelation)
称为一阶序列相关，或自相关（autocorrelation）。 这是最常见的一种序列相关问题。 自相关往往可写成如下形式： 如果仅存在 E i i ( ) +1 0 i=1,2,…,n-1 （2.5.2） t t t = + −1 −1 1 （2.5.3） 其中 ： 被 称为 自协 方差 系数 （coefficient of autocovariance）或一阶自相关系数（first-order coefficient of autocorrelation）
2、序列相关产生的原因 (1)惯性 大多数经济时间数据都有一个明显的特点,就是 它的惯性。 GDP、价格指数、生产、就业与失业等时间序列都 呈周期性,如周期中的复苏阶段,大多数经济序列均 呈上升势,序列在每一时刻的值都高于前一时刻的值, 似乎有一种内在的动力驱使这一势头继续下去,直至 某些情况(如利率或课税的升高)出现才把它拖慢下 来
2、序列相关产生的原因 （1）惯性 大多数经济时间数据都有一个明显的特点，就是 它的惯性。 GDP、价格指数、生产、就业与失业等时间序列都 呈周期性，如周期中的复苏阶段，大多数经济序列均 呈上升势，序列在每一时刻的值都高于前一时刻的值， 似乎有一种内在的动力驱使这一势头继续下去，直至 某些情况（如利率或课税的升高）出现才把它拖慢下 来
(2)设定偏误:模型中遗漏了显著的变量 例如:如果对牛肉需求的正确模型应为 Yt=阝0+B1X1+B2×2+B3×3t+t 其中:Y=牛肉需求量,X1=牛肉价格,X2=消费者收入, X3=猪肉价格 如果模型设定为: Yt=βo+β1xX1+B2×2?+vt 那么该式中的随机误差项实际上是:v=β3X3+ 于是在猪肉价格影响牛肉消费量的情况下,这种模 型设定的偏误往往导致随机项中有一个重要的系统性 影响因素,使其呈序列相关性
（2）设定偏误：模型中遗漏了显著的变量 例如：如果对牛肉需求的正确模型应为 Yt =0+1X1t+2X2t+3X3t+t 其中：Y=牛肉需求量，X1=牛肉价格，X2=消费者收入， X3=猪肉价格。 如果模型设定为： Yt= 0+1X1t+2X2t+vt 那么该式中的随机误差项实际上是：vt = 3X3t+t, 于是在猪肉价格影响牛肉消费量的情况下，这种模 型设定的偏误往往导致随机项中有一个重要的系统性 影响因素，使其呈序列相关性
(3)设定偏误:不正确的函数形式 例如:如果边际成本模型应为: Y=βo+β1X+β2X2+ 其中:Y=边际成本,X=产出。 但建模时设立了如下模型 Yt=βo+β1Xt 因此,由于v=β2X2+,包含了产出的平方对随机 项的系统性影响,随机项也呈现序列相关性
(3)设定偏误：不正确的函数形式 例如：如果边际成本模型应为： Yt= 0+1Xt+2Xt 2+t 其中：Y=边际成本，X=产出。 但建模时设立了如下模型： Yt= 0+1Xt+vt 因此，由于vt= 2Xt 2+t, ，包含了产出的平方对随机 项的系统性影响，随机项也呈现序列相关性
(4)蛛网现象 例如,农产品供给对价格的反映本身存在一个 滞后期: 供给=βo+β1价格-1+t 意味着,农民由于在年度t的过量生产(使该期价 格下降)很可能导致在年度t+1时削减产量,因此 不能期望随杋干扰项是随机的,往往产生一种蛛 网模式
(4)蛛网现象 例如，农产品供给对价格的反映本身存在一个 滞后期： 供给t = 0+1价格t-1+t 意味着，农民由于在年度t的过量生产（使该期价 格下降）很可能导致在年度t+1时削减产量，因此 不能期望随机干扰项是随机的，往往产生一种蛛 网模式