自相关 入门介绍

1. 公式
   观察依据

   黑板上显示的回归方程为$Y_i = \alpha + \beta X_i + u_i$。

2. 声音
   观察依据

   说话人说：“假设我有一个回归模型，其中 y i 等于 alpha 加上 beta 乘以 x i，再加上某个误差项 u i。”

$Y_i$

回归模型中第 i 个观测值的因变量。

回归样本中的观测序号 i。

1. 公式
   观察依据

   屏幕上写出的方程中，等号后第一项为$\alpha$。

2. 声音
   观察依据

   说话人在朗读回归模型时将其称为“alpha”。

$\alpha$

回归模型中的截距参数。

总体回归参数。

1. 公式
   观察依据

   屏幕上写出的方程中包含$\beta X_i$。

2. 声音
   观察依据

   说话人在朗读回归模型时将其称为“beta”。

$\beta$

回归模型中乘在$X_i$前面的斜率系数。

总体回归参数。

1. 公式
   观察依据

   屏幕上写出的方程包含$X_i$。

2. 声音
   观察依据

   说话人在朗读回归模型时将其称为“x i”。

$X_i$

第 i 个观测值的回归元或解释变量。

回归样本中第 i 个观测值的指标。

1. 公式
   观察依据

   回归方程以$u_i$结尾，协方差条件写作$\operatorname{Cov}(u_i,u_s)\neq 0$。

2. 声音
   观察依据

   说话人将$u_i$称为“某种误差”，随后提到$u_i$与另一误差$u_s$之间的协方差。

$u_i$

回归模型中第 i 个观测值的误差项。

回归样本中第 i 个观测值的指标。

1. 公式
   观察依据

   黑板上显示$\operatorname{Cov}(u_i,u_s)\neq 0 \;\; \forall i\neq s$。

2. 声音
   观察依据

   说话人称$u_i$与“另一个误差$u_s$”之间存在协方差。

$u_s$

另一个误差项，以下标 s 标记，用于表达跨观测值的协方差。

回归样本中第 s 个观测值的指标。

1. 公式
   观察依据

   符号$\operatorname{Cov}(u_i,u_s)$被明确地写在黑板上。

2. 声音
   观察依据

   说话人说，序列相关误差意味着“$u_i$与另一个误差$u_s$之间存在某种协方差”。

$\operatorname{Cov}(u_i,u_s)$

两个回归误差项之间的协方差。

由下标 i 和 s 标记的误差项对。

1. 公式
   观察依据

   缩写词 BLUE 被写在黑板上，随后用黄色叉号标记。

2. 声音
   观察依据

   说话人称最小二乘估计量是“我们所称的 BLUE”，并解释这表示“可能的最佳线性无偏估计量”。

BLUE

最佳线性无偏估计量。

在所述高斯-马尔可夫条件下估计量所具有的性质。

1. 公式
   观察依据

   黑板将较宽的紫色抽样曲线标注为$\hat{\beta}_{LS}$。

2. 声音
   观察依据

   说话人称这可能是“β帽最小二乘”的抽样分布。

$\hat{\beta}_{LS}$

斜率参数的最小二乘估计量。

其抽样分布以紫色绘制的估计量。

1. 公式
   观察依据

   黑板上用$\tilde{\beta}$标记了较窄的红色抽样曲线。

2. 声音
   观察依据

   主讲人称该替代估计量为“beta 波浪线”。

$\tilde{\beta}$

仅作为对比示例引入的替代估计量。

其抽样分布以红色绘制的估计量。

1. 公式
   观察依据

   两条抽样分布的中心均在横轴上标为$\beta_p$。

2. 声音
   观察依据

   主讲人指出，最小二乘估计量仍以真实总体参数“beta p”为中心。

$\beta_p$

抽样分布所围绕的真实总体参数。

图示中的人口斜率参数。

1. 公式
   观察依据

   方程$Y_i = \alpha + \beta X_i + u_i$写在黑板上。

$Y_i$

第i个观测值的因变量。

回归模型中第i个观测值的序号。

1. 公式
   观察依据

   顶部写着标题“自相关”，后接一个指向“序列相关”的箭头。

2. 声音
   观察依据

   主讲人称自相关是“误差序列相关的另一种说法”，并指出这两个术语“完全等价”。

本片段中，自相关在回归背景下被操作性地定义为误差序列相关的另一种名称；黑板通过书写‘自相关 ⇒ 序列相关’明确表达了这种等价关系。

1. 用于回归误差项的语境中。

2. 此处所述的等价关系，指的是误差的自相关性与序列相关性这两个术语之间的等价。

1. 公式
   观察依据

   黑板上写出$Y_i = \alpha + \beta X_i + u_i$。

2. 声音
   观察依据

   主讲人先将该模型称为“某个回归模型”，再定义什么是序列相关的误差。

该片段构建了一个简单线性回归模型，其中因变量为$Y_i$，截距为$\alpha$，斜率为$\beta$，解释变量为$X_i$，误差项为$u_i$。该模型构成了讨论误差协方差条件的背景。

1. 适用于回归样本中第 i 个观测。

2. 该片段未对$X_i$提出除其在模型中出现之外的其他假设。

1. 公式
   观察依据

   黑板上写出$\operatorname{Cov}(u_i,u_s)\neq 0 \;\; \forall i\neq s$。

2. 声音
   观察依据

   主讲人指出，序列相关的误差意味着$u_i$与另一个误差$u_s$之间存在非零协方差，且该情形发生在$i\neq s$时。

该片段通过要求不同误差项之间具有非零协方差，来表达序列相关误差。所写出的条件是$\operatorname{Cov}(u_i,u_s)\neq 0$，对所有$i\neq s$成立。

1. 下标 i 和 s 必须互不相同。

2. 该命题涉及回归模型$Y_i = \alpha + \beta X_i + u_i$中的误差项。

1. 本讨论所用的简单回归模型。

1. 公式
   观察依据

   黑板上写出了缩写词 BLUE。

2. 声音
   观察依据

   主讲人指出，若高斯-马尔可夫条件成立，则最小二乘估计量是 BLUE，即它们是可能的最优线性无偏估计量。

BLUE 被表述为最小二乘估计量所具有的性质——即它们是最优线性无偏估计量。在本片段中，这一性质与高斯-马尔可夫条件成立的假设相联系。

1. 本片段是在高斯-马尔可夫条件成立的假设下作出该陈述的。

2. 本片段未完整列出全部高斯-马尔可夫条件。

1. 公式
   观察依据

   一个黄色的叉号画在 BLUE 上，且字母 B 被特别强调。

2. 声音
   观察依据

   主讲人指出，当存在其他更优、同时仍保持线性和无偏性的估计量时，OLS 不再是 BLUE，因此失效的是其中的 B。

本片段指出，在误差项存在序列相关的情况下，最小二乘估计量仍保持线性和无偏性，但不再是在此类估计量中最优的；从视觉上看，失效仅限于 BLUE 中的字母 B。

1. 假设已介绍过回归设定。

2. 该片段并未证明该主张，而是直接陈述其推论。

1. 不同回归误差之间的非零协方差。
2. BLUE 的含义

1. 声音
   观察依据

   主讲人讨论了自相关可能产生的原因。

2. 公式
   观察依据

   条件$Cov(u_i, u_s) \neq 0 \quad \forall i \neq s$写在黑板上。

自相关，也称为序列相关，是指回归模型中的误差项在不同观测之间相互关联的现象。

1. 适用于具有时间顺序或排列顺序的时间序列数据或有序数据。

1. 声音
   观察依据

   主讲人解释说，遗漏一个重要变量可能导致误差项出现序列相关以及遗漏变量偏差。

2. 公式
   观察依据

   黑板上写着“— 遗漏重要变量”。

当一个相关变量被遗漏在回归模型之外，且该遗漏变量与模型中包含的自变量相关时，就会发生遗漏变量偏差，从而导致估计结果有偏。

1. 被遗漏的变量必须与已包含的自变量相关。

1. 自相关

1. 声音
   观察依据

   主讲人解释说，函数形式设定错误会导致自相关。

2. 公式
   观察依据

   黑板上写着“— 函数形式设定错误”。

当回归模型所选的函数形式无法准确刻画因变量与自变量之间的真实关系时，就会发生函数形式设定错误，例如用一条直线去拟合呈曲线关系的数据。

1. 变量间的真实关系是非线性的，但却使用了线性模型。

1. 自相关

1. 公式
   观察依据

   在左上方区域中写作 Cov($u_i$, $u_s$) $\neq 0 \forall i \neq s$。

2. 声音
   观察依据

   讲话者在本片段中全程讨论自相关性与序列相关性。

自相关（或称序列相关）发生在不同观测值的误差项之间协方差不等于零时。

1. 适用于时间序列数据或有序数据，其中观测值具有先后顺序。

1. 声音
   观察依据

   主讲人说道：“导致自相关出现的第三种情形，是我们存在某种测量误差……此处我特指自变量中的测量误差。”

2. 公式
   观察依据

   黑板上从00:13处开始书写文字：“自变量中的测量误差”。

若自变量 $X_i$ 中存在持续性的测量误差，则该误差会被吸收到模型的误差项 $u_i$ 中；这种测量误差在时间上的持续性，将导致 $u_i$ 出现自相关。

1. 测量误差必须在时间上持续存在。

1. 自相关性的定义

1. 公式
   观察依据

   黑板上写着：自相关 ⇒ 序列相关。

2. 声音
   观察依据

   主讲人称，自相关只是误差项序列相关的另一种说法，且这两个术语完全等价。

在本片段中，自相关被表述为误差项序列相关的另一种说法，且明确指出这两个术语完全等价。

1. 讨论聚焦于回归模型的误差项。

在本片段所使用的术语体系内具有普适性。

1. 声音
   观察依据

   主讲人说：“如果我们假设高斯-马尔可夫条件成立，那么最小二乘估计量就是我们所称的BLUE。”

2. 公式
   观察依据

   缩写词BLUE随即被写在黑板上。

1. 本片段未逐一列举各个高斯-马尔可夫条件。

若高斯-马尔可夫条件成立，则最小二乘估计量是BLUE，即可能的最优线性无偏估计量。

1. 假设高斯-马尔可夫条件成立。

2. 此处讨论的估计量是最小二乘估计量。

该条件是在视频片段所描述的回归设定下，对所有情形成立的条件全称命题。

1. 公式
   观察依据

   一个黄色的X被放在BLUE上，且其中的B被单独标出。

2. 声音
   观察依据

   说话人指出，普通最小二乘法（OLS）不再具有BLUE性质，因为存在其他更优、同时仍保持线性和无偏性的估计量，因此是其中的B被去掉。

1. 该视频片段并未明确指出这些替代估计量的具体形式。

当误差存在序列相关时，普通最小二乘法（OLS）不再具有BLUE性质，因为此时存在其他仍为线性且无偏、但更优的估计量。

1. 回归误差满足视频片段前文所示的非零协方差条件。

该陈述针对误差存在序列相关的情形。

1. 公式
   观察依据

   紫色抽样分布的中心位于横轴上的$\beta_p$处。

2. 声音
   观察依据

   主讲人指出，在存在序列相关误差的情况下，最小二乘估计量仍以真实总体参数 beta p 为中心。

在存在序列相关误差的情况下，最小二乘估计量仍以真实总体参数$\beta_p$为中心。

1. 该图示被解释为$\hat{\beta}_{LS}$的抽样分布。

此陈述针对图示中的抽样分布而言。

1. 公式
   观察依据

   一条较窄的红色抽样分布（标为$\tilde{\beta}$）与紫色的$\hat{\beta}_{LS}$分布并列绘出。

2. 声音
   观察依据

   主讲人指出，存在其他未在此处具体说明的估计量，其性能略优于最小二乘法，并将其中一个示例标注为$\tilde{\beta}$。

1. 该替代估计量的确切形式未予给出。

2. 主讲人明确表示，他目前不深入讨论这些估计量。

在存在序列相关误差的情况下，存在其他既保持线性又保持无偏性的估计量，且其抽样分布比最小二乘估计量更窄。

1. 该比较是在本片段中引入的抽样分布图示中进行的。

关于其他估计量的存在性声明。

1. 公式
   观察依据

   代表$\tilde{\beta}$的红色曲线明显比代表$\hat{\beta}_{LS}$的紫色曲线更窄，一条青色双向箭头标示了更小的离散程度。

2. 声音
   观察依据

   主讲人指出，由于beta波浪号具有更窄的抽样分布，它在更多时候会更接近真实的总体参数。

在围绕同一真实参数时，抽样分布更窄的估计量，相比分布更宽的估计量，在更多时候会更接近该参数。

1. 图中两个估计量均以同一真实参数$\beta_p$为中心。

此结论针对图中所示的两个估计量而陈述。

1. 声音
   观察依据

   主讲人指出，由于存在自相关，最小二乘估计量不再具有BLUE性质。

2. 图示
   观察依据

   在分布曲线旁，‘BLUE’一词被打上了删除线。

如果误差项中存在自相关，则普通最小二乘法（OLS）估计量将不再是最优线性无偏估计量（BLUE）。

1. 误差项存在自相关，即 $Cov(u_i, u_s) \neq 0$ 对某些 $i \neq s$。

适用于所有表现出自相关的模型。

1. 声音
   观察依据

   主讲人解释道，遗漏一个具有持续性的变量会导致误差项也具有持续性，从而引发自相关。

从回归模型中遗漏一个随时间保持持续性的重要变量，将导致误差项表现出持续性，进而引发自相关。

1. 被遗漏的变量随时间保持持续性。

2. 被遗漏的变量是重要的（与因变量相关）。

对于任何遗漏了具有持续性且重要变量的回归模型。

1. 声音
   观察依据

   主讲人解释道，对呈曲线关系的数据拟合一条直线，会导致残差出现连续的负值段和正值段，表明存在序列相关。

对模型进行函数形式上的误设（例如对非线性数据拟合线性模型），将导致同号残差成串出现，这是自相关的典型表现。

1. 因变量与自变量之间的真实关系是非线性的。

2. 对数据拟合了一个线性模型。

对于任何以这种方式在函数形式上被误设的回归模型。

1. 声音
   观察依据

   主讲人指出，如果你的模型存在函数形式误设，那么普通最小二乘法（OLS）估计量实际上会产生偏误，因为它们未能捕捉X对因变量的真实影响。

如果回归模型存在函数形式误设，则普通最小二乘法（OLS）估计量将产生偏误。

1. 该回归模型存在函数形式误设。

对所有函数形式误设的回归模型而言。

1. 声音
   观察依据

   主讲人说道：“这三种问题中的每一种，实际上带来的困扰远不止普通最小二乘法（OLS）不再具备最佳线性无偏估计量（BLUE）这一性质；在这三种情形下，OLS 估计量将不再无偏。”

当存在遗漏变量、函数形式设定错误，或自变量中存在持续性测量误差时，普通最小二乘法（OLS）估计量将不再无偏。

1. 模型存在以下三种问题之一：遗漏了重要变量、函数形式设定错误，或自变量中存在测量误差。

针对上述三种情形中的每一种。

1. 公式
   观察依据

   黑板上用黄色叉号标记“BLUE”，并着重强调字母“B”。

2. 声音
   观察依据

   主讲人解释道，OLS不再满足BLUE性质，因为存在其他估计量——它们同样无偏且线性，但性能更优。

1. 这是一段解释性推导，而非严格证明。

2. 未展示替代估计量的代数推导过程。

1. 公式

   $$$$
   解释

   从高斯-马尔可夫条件下最小二乘估计量是最佳线性无偏估计量（BLUE）这一命题出发。

   步骤依据

   说话人在00:52–00:01:05处直接陈述。

   视频直接表达
2. 公式

   $$$$
   解释

   引入序列相关条件$\operatorname{Cov}(u_i,u_s)\neq 0$，适用于$i\neq s$。

   步骤依据

   写在黑板上，时间为00:31–00:44，并由说话人朗读出来。

   视频直接表达
3. 公式

   $$$$
   解释

   在此条件下，存在其他仍是线性且无偏的估计量，但比最小二乘估计量更优。

   步骤依据

   说话人在00:01:13–00:01:25处陈述。

   视频直接表达
4. 公式

   $$$$
   解释

   因此失效的性质是BLUE中的B（最佳性），而非线性或无偏性。

   步骤依据

   说话人明确指出，并通过划掉BLUE一词、突出强调其中的B来直观强化这一说法。

   视频直接表达

在此解释中，序列相关的误差并不会破坏普通最小二乘法（OLS）的线性或无偏性；它破坏的是OLS在所有线性无偏估计量中具有最佳性的性质。

1. 图示
   观察依据

   先画出一个坐标系，然后画一条宽的紫色钟形曲线并标注为$\hat{\beta}_{LS}$，再画一条较窄的红色钟形曲线并标注为$\tilde{\beta}$，两条曲线均以$\beta_p$为中心。

2. 声音
   观察依据

   说话人通过比较这两个估计量指出：第二个估计量的抽样分布更窄，因此在更多时候能更接近真实参数。

1. 这两条曲线仅为示意图，并非计算所得的分布。

2. 确切的方差数值未给出。

1. 公式

   $$$$
   解释

   画出最小二乘估计量的抽样分布。

   步骤依据

   主讲人将此介绍为理解‘一个估计量为何优于另一个’含义的方式。

   视频直接表达
2. 公式

   $$$$
   解释

   将其中心置于真实总体参数$\beta_p$处。

   步骤依据

   主讲人指出，即使存在序列相关误差，最小二乘估计量仍以$\beta_p$为中心。

   视频直接表达
3. 公式

   $$$$
   解释

   为另一估计量$\tilde{\beta}$画出第二个抽样分布，该分布同样以$\beta_p$为中心，但更窄。

   步骤依据

   黑板上显示一条红色曲线位于紫色曲线内部，主讲人称其他估计量略优于最小二乘法。

   视频直接表达
4. 公式

   $$$$
   解释

   得出结论：更窄的分布意味着该估计量更频繁地落在$\beta_p$附近。

   步骤依据

   主讲人在00:02:20–00:02:38处明确陈述了这一点。

   视频直接表达

直观对比支持如下主张：在中心相同的情况下，抽样分布越窄的估计量越优，因其更频繁地接近真实值。

1. 声音
   观察依据

   主讲人详细阐述了从遗漏变量出发，到该变量被纳入误差项、具有时间持续性，从而引发自相关的逻辑步骤。

1. 公式

   $$$$
   解释

   假设一个重要的变量被遗漏在回归模型之外。

   步骤依据

   主讲人所陈述的前提。

   视频直接表达
2. 公式

   $$$$
   解释

   在经济学中，变量往往在时间上具有一定程度的持续性。

   步骤依据

   主讲人所提供的背景前提。

   视频直接表达
3. 公式

   $$$$
   解释

   被遗漏的变量被隐含地包含在误差项$u_i$中。

   步骤依据

   回归模型中误差项的定义。

   视频直接表达
4. 公式

   $$$$
   解释

   由于遗漏变量具有持续性，误差项$u_i$也将表现出持续性。

   步骤依据

   包含持续性成分所导致的逻辑结果。

   依据视频推导
5. 公式

   $$$$
   解释

   $u_i$中的这种持续性表现为正向序列相关性或自相关性。

   步骤依据

   将自相关性定义应用于具有持续性的误差项。

   依据视频推导

遗漏一个具有持续性的重要变量，会导致误差项中出现自相关性。

1. 声音
   观察依据

   主讲人描述了用直线拟合曲线数据并观察所得残差模式的过程。

2. 图示
   观察依据

   绘制一幅散点图：点呈曲线分布，并在其中拟合一条直线。

1. 公式

   $$$$
   解释

   考虑$Y_i$与$X_i$之间关系呈曲线形态（例如倒U形）的数据。

   步骤依据

   白板上的可视化表示。

   视频直接表达
2. 公式

   $$$$
   解释

   对该曲线数据拟合一条直线（线性模型）。

   步骤依据

   说话人描述并图示的动作。

   视频直接表达
3. 公式

   $$$$
   解释

   观察残差（各点到直线的垂直距离）。

   步骤依据

   回归分析中残差的定义。

   依据视频推导
4. 公式

   $$$$
   解释

   残差会呈现一段连续负值后接一段连续正值的模式。

   步骤依据

   对所绘图示进行目视检查。

   视频直接表达
5. 公式

   $$$$
   解释

   残差中这些同号值的连续段表明存在序列相关性（自相关性）。

   步骤依据

   将自相关性定义应用于残差模式。

   依据视频推导

对非线性数据拟合线性模型，会在残差中产生连续段，表明存在自相关性。

1. 声音
   观察依据

   主讲人解释该机制：“如果测量误差在时间上具有持续性，那么$X_i$中的这一测量误差实际上会进入$u_i$。又由于该测量误差具有一定的时间持续性，这也会导致自相关。”

1. 公式

   $$$$
   解释

   假设自变量$X_i$中存在测量误差。

   步骤依据

   由主讲人口述。

   视频直接表达
2. 公式

   $$$$
   解释

   该测量误差在时间上具有持续性。

   步骤依据

   主讲人将其表述为达成此特定结果的条件。

   视频直接表达
3. 公式

   $$$$
   解释

   $X_i$中具有持续性的测量误差被吸收进回归模型的误差项$u_i$中。

   步骤依据

   由主讲人解释。

   视频直接表达
4. 公式

   $$$$
   解释

   由于测量误差具有持续性，它在$u_i$中的存在使得$u_i$也表现出持续性（即自相关）。

   步骤依据

   主讲人得出的逻辑结论。

   视频直接表达

自变量中具有持续性的测量误差会导致模型误差项出现自相关。

1. 公式
   观察依据

   黑板顶部用绿色书写‘Autocorrelation’（自相关），并用橙色下划线标出；随后一条箭头指向蓝色书写的‘Serial correlation’（序列相关）。

2. 声音
   观察依据

   主讲人指出，自相关只是序列相关误差的另一种说法。

1. 文字“自相关”

2. 箭头

3. 文字“序列相关”

1. 右侧术语“序列相关”被添加在标题旁。

1. 左侧标题在整个时段内始终保持为“自相关”。

黑板以视觉方式呈现了本课中的口头论断：这两个术语在此指代同一概念。

1. 公式
   观察依据

   黑板先写出$Y_i = \alpha + \beta X_i + u_i$，再在其下方写出$\operatorname{Cov}(u_i,u_s)\neq 0 \;\; \forall i\neq s$。

2. 声音
   观察依据

   主讲人朗读回归模型，随后陈述序列相关误差的协方差条件。

1. 方程$Y_i = \alpha + \beta X_i + u_i$

2. 条件$\operatorname{Cov}(u_i,u_s)\neq 0$

3. 量词$\forall i\neq s$

1. 首先显示回归方程，然后在其下方写出协方差条件。

1. 回归方程保持可见，同时添加协方差条件。

视觉顺序表明，协方差条件是在先前引入的回归模型内部被定义的。

1. 公式
   观察依据

   先写出缩写词 BLUE，然后在其上画一个黄色叉号，并特别强调字母 B。

2. 声音
   观察依据

   说话者指出，当误差存在序列相关时，正是字母 B 不再成立。

1. 文字“BLUE”

2. 黄色叉号

3. 对字母 B 的强调

1. BLUE 首先以普通形式写出，然后被划掉，最后将字母 B 单独提取出来。

1. 该词在遮盖下仍可辨认。

类动画式的板书将序列相关性的后果限定为估计量不再最优，而非失去线性或无偏性。

1. 图示
   观察依据

   先绘制坐标系，再画一条宽的紫色钟形曲线并标注为$\hat{\beta}_{LS}$，接着画一条更窄的红色钟形曲线并标注为$\tilde{\beta}$，两条曲线均以$\beta_p$为中心；一条青色双向箭头标示出红色曲线更小的宽度。

2. 声音
   观察依据

   主讲人解释道，第二个估计量具有更窄的抽样分布，因此在更多情况下能更接近真实参数。

1. 这些曲线是定性示意图，而非精确的概率密度图。

2. 纵轴未标注。

1. 坐标轴

2. 代表$\hat{\beta}_{LS}$的紫色曲线

3. 代表$\tilde{\beta}$的红色曲线

4. 中心标注$\beta_p$

5. 青色宽度标记

1. 首先绘制坐标轴。

2. 添加并标注较宽的紫色分布。

3. 添加并标注较窄的红色分布。

4. 青色标记突出显示红色曲线更小的离散程度。

1. 两个分布始终以相同的水平位置$\beta_p$为中心。

2. 在整个范围内，紫色分布始终比红色分布更宽。

该图通过离散程度来传达估计量的比较：中心位置相同，离散程度越小，意味着估计值越频繁地接近真实值。

1. 图示
   观察依据

   黑板左侧画出两个钟形曲线：较窄的一个标为$\hat{\beta}$和“BLUE”；较宽的一个标为$\hat{\beta}_{OLS}$。

1. 标有$\hat{\beta}$和“BLUE”的窄钟形曲线

2. 标有$\hat{\beta}_{OLS}$的宽钟形曲线

3. 表示方差/离散程度的箭头

1. ‘BLUE’一词被划掉。

1. 两条曲线的相对位置和形状保持不变。

该图说明了BLUE（最佳线性无偏估计量）的概念，以及自相关性的存在如何违背这一性质，使得OLS估计量不再是最优的（最小方差）无偏估计量。

1. 图示
   观察依据

   绘制了一个散点图，其中红色‘x’标记构成一条弯曲的模式；一条紫色直线穿过这些点。

1. 坐标轴标注为$Y_i$和$X_i$

2. 红色‘x’标记构成一条弯曲的模式

3. 紫色直线

4. 表示残差的垂直箭头

1. 红色‘x’标记按顺序绘制。

2. 绘制了紫色直线。

3. 添加竖直箭头以显示残差。

1. 数据点的整体弯曲形状与拟合直线的直线性。

该图示直观地展示了对非线性数据拟合线性模型时，残差中会出现系统性模式（正值与负值的连续序列），这是由函数形式误设所导致的自相关症状。

1. 图示
   观察依据

   黑板上展示了回归方程、协方差条件、一条带曲线的散点图及残差、一幅显示有偏估计量与无偏估计量的分布图，以及一份自相关成因列表。

1. 回归方程 $Y_i = \alpha + \beta X_i + u_i$

2. 协方差条件 Cov($u_i$, $u_s$) $\neq 0$

3. 散点图，含弯曲趋势线及残差箭头

4. 分布图，含两条正态曲线，中心分别位于 $\beta$ 和 $\hat{\beta}_{LS}$

5. 自相关成因列表

1. 黑板上在 00:13 与 00:26 之间写着文字‘自变量的测量误差’。

1. 先前已有的公式与示意图在整个片段中持续可见。

视觉辅助材料支持关于自相关后果与成因的讲授，具体说明模型设定错误如何导致估计量有偏（分布发生偏移），以及函数形式不当如何造成系统性残差。

1. 公式
   观察依据

   黑板上写下：自相关 ⇒ 序列相关。

2. 声音
   观察依据

   主讲人明确提醒：若你看到‘自相关’，就应知道它与‘序列相关’完全等价。

有人可能认为自相关与序列相关是两个独立的概念。

在此片段中，二者被呈现为同一思想在回归误差上的应用。

1. 公式
   观察依据

   黑板划掉了BLUE，但强调的是其中的B，而不是L或UE。

2. 声音
   观察依据

   说话者指出，其他估计量仍保持无偏性和线性性，因此被去掉的是B。

人们可能推断序列相关会破坏OLS的线性性或无偏性。

该片段指出，OLS仍保持线性性和无偏性；失去的是BLUE中的‘最优’性质。

1. 图示
   观察依据

   两条抽样曲线均以同一个$\beta_p$为中心，但其中一条比另一条更窄。

2. 声音
   观察依据

   说话者区分了‘以真实值为中心’与‘抽样分布更窄’这两个概念。

人们可能认为，若一个估计量以真实参数为中心，则其他任何估计量都不可能更优。

该片段表明，两个估计量可以具有相同的中心位置但离散程度不同，而在所述意义上，离散程度更小的那个更优。

1. 声音
   观察依据

   主讲人指出，失去BLUE性质是更严重问题——遗漏变量偏差——的症状。

认为遗漏变量所导致的自相关问题，主要只是OLS不再具有BLUE性质。

主讲人澄清道，这其实是更严重问题——遗漏变量偏差——的症状，意味着估计量存在偏差，而不仅仅是效率低下。

1. 声音
   观察依据

   主讲人指出，函数形式误设比OLS失去BLUE性质更为严重，因为它会导致估计量产生偏差。

认为函数形式误设的主要后果仅仅是OLS不再具有BLUE性质。

主讲人强调，函数形式误设实际上会导致OLS估计量产生偏差，因为它们未能捕捉自变量的真实效应。

1. 声音
   观察依据

   主讲人说：‘因此，在该背景下，序列相关或自相关也提示存在更严重的问题。’

自相关仅是违反高斯-马尔可夫假设，致使普通最小二乘法（OLS）不再有效（不再是最佳线性无偏估计量，BLUE）。

在所讨论的情境中（遗漏变量、模型设定错误、测量误差），自相关是更深层次问题的一种表征，这些问题会导致普通最小二乘法（OLS）估计量产生偏误，而偏误比仅失去BLUE性质要严重得多。

1. 公式
   观察依据

   黑板上写下：自相关 ⇒ 序列相关。

2. 声音
   观察依据

   说话者称这两个术语完全可互换。

该片段将自相关术语与序列相关误差的正式协方差条件视为描述同一现象。

1. 公式
   观察依据

   协方差条件直接写在回归方程$Y_i = \alpha + \beta X_i + u_i$的下方。

2. 声音
   观察依据

   主讲人首先引入回归模型，然后在该模型中定义序列相关误差。

回归模型提供了表述协方差条件所需的符号$u_i$和$u_s$。

1. 声音
   观察依据

   主讲人将高斯-马尔可夫条件与最小二乘估计量具有BLUE性质联系起来。

2. 公式
   观察依据

   BLUE一词紧接在此条件语句之后写出。

1. 高斯-马尔可夫条件本身并未在本片段中逐条列出。

BLUE的定义被用作该片段中所陈述的高斯-马尔可夫命题的结论。

1. 公式
   观察依据

   黑板上先写出序列相关条件，随后将BLUE划去。

2. 声音
   观察依据

   主讲人指出，由于存在其他既线性又无偏、但性能更优的估计量，普通最小二乘法（OLS）不再具有BLUE性质。

非零协方差条件是导致普通最小二乘法（OLS）丧失“最优”性质的触发因素。

1. 图示
   观察依据

   较窄的红色曲线代表$\tilde{\beta}$，与较宽的紫色曲线代表$\hat{\beta}_{LS}$并列绘制。

2. 声音
   观察依据

   主讲人利用更窄的抽样分布来解释为何第二个估计量更优。

存在性主张通过比较抽样分布加以说明，而‘更优’的直观判据是：围绕同一中心的离散程度更小。

1. 公式
   观察依据

   标题及指向‘序列相关’的箭头被展示出来。

2. 声音
   观察依据

   主讲人将自相关定义为‘序列相关误差’的另一种说法。

1. 将自相关视作误差的序列相关

1. 公式
   观察依据

   黑板上写出$\operatorname{Cov}(u_i,u_s)\neq 0 \;\; \forall i\neq s$。

2. 声音
   观察依据

   主讲人口头陈述协方差条件。

1. 不同回归误差之间的非零协方差。

1. 公式
   观察依据

   黑板上写出 BLUE。

2. 声音
   观察依据

   主讲人将 BLUE 展开为‘最佳线性无偏估计量’。

1. BLUE 的含义

1. 公式
   观察依据

   一个黄色的叉号画在 BLUE 上，且字母 B 被特别强调。

2. 声音
   观察依据

   主讲人指出，其他估计量虽然仍是线性且无偏的，但性能更优。

1. 当误差项存在序列相关时，哪一部分会失效
2. 当误差存在序列相关时，普通最小二乘法（OLS）不再具有BLUE性质。

1. 图示
   观察依据

   两个以$\beta_p$为中心的钟形曲线被加以比较，其中一个更宽，另一个更窄。

2. 声音
   观察依据

   主讲人解释道，较窄的估计量在更多时候更接近真实值。

1. 更窄的抽样分布意味着更频繁地接近真实值。
2. 围绕同一真实参数对比的两个抽样分布

1. 声音
   观察依据

   主讲人引入了自相关实际发生方式这一话题。

1. 自相关
2. 遗漏变量偏差
3. 函数形式设定错误

1. 声音
   观察依据

   主讲人解释了遗漏变量与误差项序列相关之间的联系。

1. 遗漏变量偏差
2. 自相关
3. 由遗漏变量推导出自相关

1. 声音
   观察依据

   主讲人解释了函数形式设定错误的模型如何导致自相关。

1. 函数形式设定错误
2. 自相关
3. 由函数设定错误推导出自相关性。

1. 声音
   观察依据

   主讲人讨论了自相关对普通最小二乘（OLS）估计量的影响。

1. 自相关
2. 在存在自相关的情况下，普通最小二乘（OLS）估计量不再是BLUE。
3. 函数形式误设会导致普通最小二乘法（OLS）估计量产生偏误

1. 声音
   观察依据

   主讲人将测量误差引入为导致自相关的一种原因。

1. 由测量误差引发的自相关
2. 测量误差引发自相关的机制

1. 声音
   观察依据

   主讲人讨论了上述三类问题对OLS估计量性质所造成的影响。

1. 因模型设定错误导致的 OLS 偏误
2. 自相关的严重程度