正自相关
正自相关（Positive Autocorrelation）是指在时间序列数据或空间数据中，相邻观测值之间存在正向的依存关系，即高值倾向于跟随高值，低值倾向于跟随低值，数据呈现出平滑、持续的变化模式。这一现象广泛存在于经济学、金融学、气象学、工程学和社会科学等领域的数据分析中，是时间序列计量经济学和空间计量经济学关注的核心问题之一。正自相关的存在意味着数据并非随机排列，而是蕴含了可被建模的动态结构。
基本概念
自相关（Autocorrelation），又称序列相关（Serial Correlation），指同一变量在不同时间点上的取值之间存在相关性。当这种相关性为正时，称为正自相关。具体而言，若误差项 εₜ 与 εₜ₋₁ 正相关，则当前期误差为正时，下一期误差也倾向于为正；当前期误差为负时，下一期误差也倾向于为负。在经典线性回归模型中，误差项独立同分布的假设是高斯-马尔可夫定理成立的前提条件之一。若存在正自相关，OLS估计量虽然仍保持无偏性和一致性，但不再具有最小方差性（即BLUE性质丧失），导致t检验和F检验失效。具体而言，正自相关会使标准误被低估，从而产生过度拒绝真实原假设的问题，使得统计推断不可靠。此外，模型的预测精度也会受到影响，因为模型未能充分利用数据中蕴含的动态信息。在金融数据分析中，正自相关可能导致风险的错误评估，进而影响投资决策的科学性。
检测方法
杜宾-沃森检验（Durbin-Watson Test, DW检验）是检测一阶自相关最常用的方法。DW统计量的取值范围在0到4之间：当DW≈2时，表明不存在一阶自相关；当DW显著小于2时，表明存在正自相关；当DW显著大于2时，表明存在负自相关。DW检验的一个局限性在于其存在"不确定区间"，即当统计量落入该区间时无法做出明确判断。此外，DW检验无法检验高阶自相关，且当模型包含滞后因变量时，DW统计量会偏向于2，导致检验功效下降。布罗施-戈弗雷检验（Breusch-Godfrey Test, LM检验）则有效克服了这些局限，可以检验任意阶数的自相关，适用于存在滞后因变量的模型。该检验通过将OLS残差对原解释变量和各阶滞后残差进行辅助回归，利用辅助回归的R²构造LM统计量。此外，自相关函数（ACF）图和偏自相关函数（PACF）图提供了直观的图形化诊断工具：若ACF图在滞后阶数上呈现缓慢衰减的模式，通常指示存在正自相关；而PACF图的截尾特征则有助于识别自回归的阶数。
产生原因
正自相关的产生原因多种多样，理解其来源是正确选择处理方法的前提。在时间序列数据中，经济变量的惯性是最常见的原因，例如GDP、消费、物价指数、失业率等宏观经济序列往往具有显著的平滑特征，当期值在很大程度上取决于前一期或前几期的取值。这种经济系统的内在惯性和黏性导致了正自相关的出现。模型设定偏误同样会引发正自相关，具体包括：遗漏重要解释变量（如遗漏了具有自相关特征的变量）、错误设定函数形式（将非线性关系拟合为线性模型）、数据频率不匹配等。数据加工处理过程中的操作也可能引入正自相关，例如对数据进行平滑处理、移动平均、插值或季节性调整等。在空间数据中，邻近区域之间的溢出效应和相互作用是正空间自相关的主要来源，莫兰指数（Moran's I）是检测此类空间依赖性的常用统计量，正值表示邻近区域具有相似的特征值，即存在正空间自相关。
处理方法
处理正自相关需首先明确其根源。若源于模型设定偏误，应修正模型结构，引入遗漏变量、采用适当的函数形式或调整数据频率。若确认是误差项自身的纯自相关，可行的修正方法包括以下几种。第一，广义最小二乘法（GLS），通过对变量进行变换来消除自相关结构，常见的方法有科克伦-奥卡特迭代法（Cochrane-Orcutt Procedure）和普里斯-温斯滕估计（Prais-Winsten Estimation）。前者通过迭代方式估计自相关系数并变换变量，后者则保留了第一个观测值以避免小样本下的效率损失。第二，使用异方差自相关一致标准误（HAC Standard Errors），如纽伊-韦斯特估计（Newey-West Estimator），该方法在保持OLS系数估计的同时对标准误进行修正，适用于大样本情景。第三，在时间序列建模中引入自回归（AR）项或移动平均（MA）项，将自相关结构显式地纳入模型设定之中，即采用ARIMA模型框架。在实际应用中，研究人员往往综合运用多种方法，并以信息准则（如AIC、BIC）作为模型选择的依据。
经济含义
正自相关在经济学中具有丰富的解释意义和重要的应用价值。在金融市场中，资产收益率的正自相关（即动量效应）直接挑战了有效市场假说，表明历史价格信息可以在一定程度上预测未来走势，这为技术分析提供了统计基础，也是量化投资策略设计的重要依据。在宏观经济学中，经济周期变量的高度正自相关反映了经济系统的内在惯性和调整成本，是动态随机一般均衡（DSGE）模型、向量自回归（VAR）模型等需要捕捉的关键特征。实证研究中，正确识别和处理正自相关不仅关系到统计推断的可靠性，更直接影响到经济政策的评估效果和经济预测的准确性。忽视正自相关可能导致政策效果被高估或低估，进而影响宏观调控决策的科学性。总之，正自相关的识别和处理是计量经济学实践中的基本技能，对于获得可靠的实证结论和合理的政策建议至关重要。