KNOWECON WIKI

ARTICLE

Cochrane-Orcutt迭代法

Cochrane-Orcutt迭代法 (Cochrane-Orcutt Iterative Method) Cochrane-Orcutt迭代法是计量经济学中用于估计误差项存在一阶自相关（AR(1)）的线性回归模型的一种经典可行广义最小二乘法（FGLS）。由D. Cochrane和G. H. Orcutt于1949年提出，该方法通过迭代估计自相关系数 和回归

浏览 0 更新 2025-11-10

Cochrane-Orcutt迭代法 (Cochrane-Orcutt Iterative Method)

Cochrane-Orcutt迭代法是计量经济学中用于估计误差项存在一阶自相关（AR(1)）的线性回归模型的一种经典可行广义最小二乘法（FGLS）。由D. Cochrane和G. H. Orcutt于1949年提出，该方法通过迭代估计自相关系数 ρ\rho 和回归系数 β\beta，逐步消除序列相关对普通最小二乘法（OLS）估计效率及推断有效性的不利影响。

问题背景

考虑标准线性模型：

Yt=Xtβ+εt,t=1,2,…,TY_t = X_t \beta + \varepsilon_t, \qquad t = 1, 2, \dots, T

若误差项 εt\varepsilon_t 服从一阶自回归过程：

εt=ρεt−1+νt,∣ρ∣<1,  νt∼WN(0,σν2)\varepsilon_t = \rho \varepsilon_{t-1} + \nu_t, \qquad |\rho| < 1, \; \nu_t \sim \text{WN}(0, \sigma_\nu^2)

则OLS估计量虽仍保持无偏性和一致性（在解释变量严格外生条件下），但不再是最有效的线性无偏估计量（BLUE）；更重要的是，OLS标准误的估计将有偏，导致t检验和F检验失效。Durbin-Watson统计量通常用于检测此类自相关。

迭代步骤

Cochrane-Orcutt方法的思路是：通过拟差分变换（quasi-differencing）将模型转化为误差项无自相关的形式，再对变换后的模型应用OLS。由于 ρ\rho 未知，算法采用迭代估计：

  1. 对原始模型 Yt=Xtβ+εtY_t = X_t \beta + \varepsilon_t 进行OLS估计，得到残差 ε^t\hat{\varepsilon}_t。
  2. 利用残差估计 ρ\rho： \[ \hat{\rho} = \frac{\sum_{t=2}^{T} \hat{\varepsilon}_t \hat{\varepsilon}_{t-1}}{\sum_{t=2}^{T} \hat{\varepsilon}_{t-1}^2} \]
  3. 用 ρ^\hat{\rho} 对变量进行拟差分变换： \[ Y_t^* = Y_t - \hat{\rho} Y_{t-1}, \qquad X_t^* = X_t - \hat{\rho} X_{t-1}, \qquad t = 2, \dots, T \] 注意，变换后第一个观测值 t=1t=1 丢失，可使用Prais-Winsten变换保留该信息。
  4. 对变换后的模型 Yt∗=Xt∗β+νtY_t^* = X_t^* \beta + \nu_t 运行OLS，得到新的 β^\hat{\beta}。
  5. 用新的 β^\hat{\beta} 重新计算残差，返回Step 2。重复直至 ρ^\hat{\rho} 的变化量小于预设收敛阈值（如 10−610^{-6}）。

性质与注意事项

Cochrane-Orcutt迭代法本质上是针对非线性参数 ρ\rho 的可行广义最小二乘法（FGLS），在大样本下，其估计量是一致性的且渐近有效。然而，该方法存在若干局限：其一，迭代可能收敛到局部极小值而非全局最小值；其二，在小样本中，基于 ρ^\hat{\rho} 的FGLS估计量可能有偏；其三，该方法仅适用于AR(1)形式的自相关，对高阶自相关（AR(p)）无能为力，此时需改用Newey-West标准误或广义最小二乘法（GLS）的直接推广。现代应用中，最大似然估计（MLE）和HAC标准误（异方差与自相关一致标准误）往往更受青睐，但Cochrane-Orcutt作为理解FGLS思想的入门算法，仍是计量经济学教学中的核心内容。