KNOWECON WIKI

ARTICLE

无自相关

无自相关 (No Autocorrelation) 无自相关，也称无序列相关（No Serial Correlation），是计量经济学和时间序列分析中的一个基本概念。它指的是一个随机过程的误差项或扰动项在不同时间点（或不同观测值）之间的协方差为零，即误差项之间不存在系统的线性关联。在经典线性回归模型（CLRM）中，无自相关是高斯-马尔可夫定理（Gauss-

浏览 0 更新 2025-10-26

无自相关 (No Autocorrelation)

无自相关，也称无序列相关（No Serial Correlation），是计量经济学和时间序列分析中的一个基本概念。它指的是一个随机过程的误差项或扰动项在不同时间点（或不同观测值）之间的协方差为零，即误差项之间不存在系统的线性关联。在经典线性回归模型（CLRM）中，无自相关是高斯-马尔可夫定理（Gauss-Markov Theorem）的核心假设之一，与同方差性一起构成所谓的"球面误差方差"（Spherical Error Variance）条件。

形式化地，对于一个时间序列或排序数据集，令 εt \varepsilon_t 表示第 t t 期的误差项，则无自相关假设为：

Cov(εt,εs∣X)=0∀t≠s\mathrm{Cov}(\varepsilon_t, \varepsilon_s \mid \mathbf{X}) = 0 \quad \forall t \neq s

等价地，误差项的方差-协方差矩阵为对角矩阵：Var(ε∣X)=σ2In \mathrm{Var}(\boldsymbol{\varepsilon} \mid \mathbf{X}) = \sigma^2 \mathbf{I}_n 。

自相关的来源与表现形式

在应用研究中，无自相关假设常被违背，尤其是在时间序列数据中。自相关的常见来源包括：

  • 惯性（Inertia）：许多经济变量（如 GDP、消费、价格指数）本身具有内在的持续性，导致其未建模部分也具有惯性。上期的冲击往往会延续到本期，造成误差项的序列依赖。
  • 模型设定偏误：遗漏具有自相关结构的重要变量，或采用了错误的函数形式（例如将非线性关系设定为线性），未建模的系统性部分会进入误差项，使其表现出自相关性。
  • 数据操纵：对原始数据进行平滑、插值或季节调整等处理后，可能人为引入自相关结构。
  • 蛛网现象（Cobweb Phenomenon）：在农业等供给反应滞后的市场中，价格和产量的交互调整可能产生自相关的误差。

自相关的常见形式包括：

  • 一阶自相关（First-order Autocorrelation）：εt=ρεt−1+ut \varepsilon_t = \rho \varepsilon_{t-1} + u_t ，其中 ut u_t 是白噪声，∣ρ∣<1 |\rho| < 1 。这是实践中最常见的设定，也是Durbin-Watson检验的主要检测对象。当 ρ>0 \rho > 0 时为正自相关（连续正或连续负的残差），当 ρ<0 \rho < 0 时为负自相关（残差符号频繁交替）。
  • 高阶自相关：εt=ρ1εt−1+ρ2εt−2+⋯+ρpεt−p+ut \varepsilon_t = \rho_1 \varepsilon_{t-1} + \rho_2 \varepsilon_{t-2} + \cdots + \rho_p \varepsilon_{t-p} + u_t ，即 AR(p p ) 形式的误差结构。
  • 移动平均型自相关：εt=ut+θut−1 \varepsilon_t = u_t + \theta u_{t-1} ，即 MA 形式。

自相关的后果

当误差项存在自相关时，对普通最小二乘法（OLS）的影响取决于自相关的性质与解释变量的构成：

  1. 无偏性与一致性：在严格外生性仍然成立的前提下，OLS 系数估计量仍然保持无偏性和一致性。这与异方差性的情形类似——自相关并不导致系数估计的系统性偏差。
  2. 效率损失：OLS 不再是BLUE（最佳线性无偏估计量）。广义最小二乘法（GLS）通过利用误差项的协方差结构，可以获得方差更小的估计量。
  3. 标准误的有偏性（核心危害）：这是自相关最严重的实践后果。OLS 默认的标准误公式假定误差项独立同分布，当存在自相关时，该公式会产生有偏的估计。在典型的正自相关情形下，OLS 标准误倾向于低估真实的抽样变异性，导致 t统计量 虚高、p值 偏小、置信区间 过于狭窄，从而显著提高犯第一类错误（错误拒绝原假设）的概率。
  4. 预测效率的丧失：在存在自相关时，利用自相关结构（通过ARIMA或GLS）进行预测，可以获得比忽略自相关的 OLS 预测更窄的预测区间。

一个特别值得警惕的情形是：当回归模型中包含滞后因变量 Yt−1 Y_{t-1} 作为解释变量时，自相关的存在不仅使标准误有偏，还会导致 OLS 估计量本身丧失一致性。这是 Durbin-Watson检验 在此类模型中失效的根本原因。

自相关的检验方法

图形法

最直观的初步判断来自残差分析：

  • 绘制残差 et e_t 对时间 t t 的序列图：若残差在零线两侧呈现系统性的持续正或持续负的模式（而非随机交替），则暗示正自相关。
  • 绘制 et e_t 对 et−1 e_{t-1} 的散点图：若散点聚集在一、三象限，表明正自相关；聚集在二、四象限，表明负自相关。

Durbin-Watson (DW) 检验

DW 检验是最经典的一阶自相关检验，统计量为：

DW=∑t=2n(et−et−1)2∑t=1net2DW = \frac{\sum_{t=2}^{n}(e_t - e_{t-1})^2}{\sum_{t=1}^{n} e_t^2}

在大样本下，DW≈2(1−ρ^) DW \approx 2(1 - \hat{\rho}) ，其中 ρ^ \hat{\rho} 是一阶自相关系数的估计。因此 DW≈2 DW \approx 2 意味着无自相关，DW DW 显著小于 2 表明正自相关，显著大于 2 表明负自相关。DW 检验的关键局限包括：仅适用于一阶自相关；要求模型包含截距项；解释变量必须严格外生；不能用于含滞后因变量的模型。

Breusch-Godfrey (BG) 检验

BG 检验，也称 Lagrange乘数检验（LM Test），克服了 DW 检验的主要局限。其步骤为：

  1. 用 OLS 估计原模型，获取残差 et e_t 。
  2. 将 et e_t 对原始解释变量 Xt \mathbf{X}_t 和残差的 p p 阶滞后项 et−1,et−2,…,et−p e_{t-1}, e_{t-2}, \ldots, e_{t-p} 做辅助回归。
  3. 检验统计量 LM=n⋅R2 LM = n \cdot R^2 服从 χ2(p) \chi^2(p) 分布。

BG 检验可检测任意阶自相关，允许模型包含滞后因变量，且适用范围远广于 DW 检验。

Ljung-Box Q 检验

Q=n(n+2)∑k=1mρ^k2n−k∼χ2(m)Q = n(n+2) \sum_{k=1}^{m} \frac{\hat{\rho}_k^2}{n-k} \sim \chi^2(m)

其中 ρ^k \hat{\rho}_k 是残差的 k k 阶样本自相关系数。该检验联合检验多个阶数的自相关是否同时为零，广泛应用于ARIMA模型的残差诊断。

处理方法

异方差-自相关稳健标准误 (HAC)

Newey-West（1987）提出的 HAC（Heteroskedasticity and Autocorrelation Consistent）协方差矩阵估计量，是最广泛使用的处理手段。其核心思想是保留 OLS 的点估计（因其仍为无偏），但修正标准误以反映残差的时间依赖结构：

Var^(β^)=(X′X)−1Ω^(X′X)−1\widehat{\mathrm{Var}}(\hat{\beta}) = (\mathbf{X}'\mathbf{X})^{-1} \hat{\Omega} (\mathbf{X}'\mathbf{X})^{-1}

其中 Ω^ \hat{\Omega} 通过加权残差交叉项（核函数加权）来一致估计 X′εε′X \mathbf{X}'\boldsymbol{\varepsilon}\boldsymbol{\varepsilon}'\mathbf{X} 。HAC 标准误需要研究者指定一个截断参数（带宽），它决定了在估计方差时最大考虑多远的自相关。带宽过小可能遗漏高阶自相关，过大则会导致有限样本下推断失真。

Cochrane-Orcutt 迭代法与 Prais-Winsten 估计

当误差项服从 AR(1) 结构时，可通过变换模型消除自相关。Cochrane-Orcutt 过程对模型进行准差分变换：

Yt−ρYt−1=(1−ρ)β0+β1(Xt−ρXt−1)+utY_t - \rho Y_{t-1} = (1-\rho)\beta_0 + \beta_1(X_t - \rho X_{t-1}) + u_t

然后通过迭代估计 ρ \rho 和 β \beta 直至收敛。Prais-Winsten 估计在此基础上保留了第一个观测值的信息（而非丢弃），在小样本中通常表现更优。

广义最小二乘法 (GLS) 与可行 GLS (FGLS)

若误差项的方差-协方差矩阵 Σ \boldsymbol{\Sigma} 已知，GLS 估计量 β^GLS=(X′Σ−1X)−1X′Σ−1y \hat{\beta}_{GLS} = (\mathbf{X}'\boldsymbol{\Sigma}^{-1}\mathbf{X})^{-1}\mathbf{X}'\boldsymbol{\Sigma}^{-1}\mathbf{y} 是 BLUE。在实际操作中，Σ \boldsymbol{\Sigma} 未知，需先用 OLS 残差估计自相关结构，再进行 GLS——即 FGLS。FGLS 在大样本下渐近有效，但如果自相关结构被错误设定，其有限样本表现可能不如 OLS 配合 HAC 标准误。

Newey-West 与模型设定的权衡

对于应用研究者而言，一个核心判断是：自相关是"纯粹的统计扰动"，还是模型设定偏误的症状？如果自相关源于遗漏变量或错误的函数形式，那么修正模型设定（添加变量、改变函数形式、引入动态结构）比使用 HAC 标准误更为根本。在此意义上，无自相关既是 OLS 的理论性质要求，也是模型设定诊断的试金石——残差中出现显著的自相关，往往提示模型仍有改进空间。

时间序列中的无自相关：白噪声

在纯时间序列分析的框架下，"无自相关"的定义与白噪声（White Noise）过程紧密相连。一个随机过程 {ut} \{u_t\} 被称为白噪声，当且仅当：

  1. E[ut]=0 \mathbb{E}[u_t] = 0 （均值为零）。
  2. Var(ut)=σ2 \mathrm{Var}(u_t) = \sigma^2 （同方差）。
  3. Cov(ut,us)=0 \mathrm{Cov}(u_t, u_s) = 0 对所有 t≠s t \neq s （无自相关）。

白噪声是时间序列建模的基石：ARMA模型将观测序列表示为白噪声的线性滤波，GARCH模型则将条件异方差构建在白噪声驱动之上。若模型残差经检验为白噪声，意味着模型已充分提取数据中的动态结构，剩余部分不再包含可被线性预测的信息。

与相关概念的辨析

无自相关与独立同分布（i.i.d.）是两个不同强度的假设。无自相关仅要求线性不相关（Cov(εt,εs)=0 \mathrm{Cov}(\varepsilon_t, \varepsilon_s) = 0 ），而 i.i.d. 要求任何形式的统计依赖都不存在。例如，GARCH 过程的误差项满足无自相关，但平方项存在自相关（波动率聚集），因此并非 i.i.d.。在计量经济学的假设层级中，i.i.d. 强于无自相关——前者蕴含后者，但反之不成立。