Serial Correlation 序列相关
序列相关是同一序列在不同时点的误差或残差彼此相关。它违反经典回归中误差项跨观察独立的假设，并提示时间序列模型可能遗漏动态结构。
概念解析 Explanation
相关的是误差，不一定是原始变量
在回归模型
中，serial correlation 指 与 相关。原始 自相关并不自动违反回归假设：若模型中的滞后项、趋势或季节变量已经解释了这种结构，剩余误差仍可不相关。
误差项不可观察，实际诊断使用估计残差 。残差出现连续正值、连续负值的成串模式，常提示正序列相关；正负快速交替则可能提示负序列相关。
为什么会出现
常见来源包括：
- 遗漏因变量或解释变量的滞后项；
- 未处理趋势或季节性；
- 错误函数形式；
- 数据平滑或重叠收益；
- 经济冲击本身持续多期；
- AR 模型阶数不足。
先诊断原因，才能选择修复方式。
在多元回归中，正序列相关通常使常规标准误失真。Durbin–Watson 主要针对特定一阶结构；Breusch–Godfrey 可以检验多个滞后并容纳更一般模型。
发现序列相关后要区分两件事：
- 若模型设定本身正确，只是误差相关，可用 Newey–West/HAC 标准误修正推断；
- 若相关来自遗漏滞后项、趋势、季节性或错误函数形式，应重新设定模型，稳健标准误不能修正有偏/不一致系数。
在 AR 模型中，残差仍显著自相关表示已有滞后阶数未充分捕捉时间依赖。预测前应检查残差相关，而不是只看 。
系数与标准误分别受什么影响
若解释变量严格外生、模型均值设定正确，OLS 系数仍可能无偏/一致，但普通标准误错误，使 t-test、F-test 和置信区间不可靠。若序列相关来自遗漏滞后变量，而遗漏项又与解释变量相关，系数本身也可能有偏或不一致。
所以“发现 autocorrelation → 一律用 Newey–West”是不完整的。HAC 只修正推断，不补回遗漏的动态结构。
DW 与 BG 的适用边界
Durbin–Watson 主要检查一阶 serial correlation，并在含滞后因变量等情形下存在限制。Breusch–Godfrey 可检验多个滞后、适用更一般回归。检验原假设通常为指定阶数内无序列相关；不拒绝原假设不是证明误差绝对独立。
在 AR 模型中的诊断逻辑
若 AR(1) 残差仍在 lag 2、lag 3 显著相关，说明一个滞后不足以捕捉动态。应考虑更高阶 AR、季节项或其他设定，再用样本外 RMSE 检查预测是否真正改善。
核心公式 Formula
一阶误差结构：
样本一阶自相关近似：
\frac{\sum_{t=2}^{T}e_te_{t-1}}{\sum_{t=1}^{T}e_t^2}.$$ Durbin–Watson： $$DW=\frac{\sum_{t=2}^{T}(e_t-e_{t-1})^2}{\sum_{t=1}^{T}e_t^2} \approx2(1-\hat\rho_1).$$ $DW<2$ 指向正序列相关，$DW>2$ 指向负序列相关；正式裁决仍要使用相应临界值或 p-value。 ## 图解 Visual ~~~mermaid flowchart LR R["残差呈连续正/负成串"] --> T{"模型是否遗漏动态项？"} T -->|"是"| M["加入滞后、趋势、季节或改函数形式"] T -->|"否，系数设定正确"| H["使用 HAC / Newey–West 修正推断"] M --> C["重新检验残差"] H --> C ~~~ ## 计算示例 Worked Example 某回归得到 $DW=0.80$。用近似关系： $$\hat\rho_1\approx1-\frac{DW}{2}=1-0.40=0.60.$$ 这表明较强正序列相关。若原因是遗漏季节项，只改用 Newey–West 标准误仍不会修复模型均值设定；应先加入合适季节/滞后结构，再检查残差。 ## 考试要点 Exam Focus 1. 正序列相关常使普通 OLS 标准误失真，导致 t/F 推断不可靠。 2. DW 主要面向特定一阶结构；BG 可检验多个滞后。 3. HAC 修正标准误，不修正遗漏变量造成的系数偏误。 4. AR 模型拟合后仍要做残差自相关检验。 5. 残差是样本估计量，误差项是不可观察总体扰动，表述要区分。 ## 涉及科目 Appears In - [[L2/subjects/quantitative-methods#19-序列相关-serial-correlation|数量方法 R01：序列相关]] - [[L2/subjects/quantitative-methods#26-ar-模型的残差自相关检验|数量方法 R02：AR 残差诊断]] ## 相关概念 Related Concepts - [[L1/concepts/Correlation|Correlation 相关性]] — 自相关的统计基础 - [[L1/concepts/Hypothesis-Testing|Hypothesis Testing 假设检验]] — DW/BG 裁决基础 - [[L1/concepts/Test-Statistics|Test Statistics 检验统计量]] — 显著性判断 - [[L2/concepts/Cross-Validation|Cross-Validation 交叉验证]] — 时间序列信息顺序