模型产生自相关性的主要原因

（一）经济变量的固有惯性

大多数经济时间数据都有一个明显的特点：惯性，表现在时间序列不同时间的前后关联上。由于经济发展的连续性所形成的惯性，使得许多经济变量的前后期之间是相互关联的。例如，本期的投资规模，往往与前一年甚至前几年的投资有关。受消费习惯的影响，居民的本期消费水平在很大程度上还受到原有（上期）消费水平的制约。在生产技术条件相对稳定时期，各期的产量也是密切相关的。因此，利用时间序列资料建立模型时，经济发展的惯性使得模型存在自相关性。例如，GDP、价格、就业等经济数据，都会随经济系统的周期而波动。又如，在经济高涨时期，较高的经济增长率会持续一段时间，而在经济衰退期，较高的失业率也会持续一段时间，这种情况下经济数据很可能表现为自相关。大多数经济时间序列都存在自相关。其本期值往往受滞后值影响。突出特征就是惯性与低灵敏度。如国民生产总值，固定资产投资，国民消费，物价指数等随时间缓慢地变化，从而建立模型时导致误差项自相关。

（二）经济活动的滞后效应

经济活动的滞后效应，滞后效应是指某一变量对另一变量的影响不仅限于当期，而是延续若干期。由此带来变量的自相关。例如，居民当期可支配收入的增加，不会使居民的消费水平在当期就达到应有水平，而是要经过若干期才能达到。因为人的消费观念的改变存在一定的适应期。

蛛网现象，蛛网现象是微观经济学中的一个概念。它表示某种商品的供给量受前一期价格影响而表现出来的某种规律性，即呈蛛网状收敛或发散于供需的均衡点。许多农产品的供给呈现为蛛网现象，供给对价格的反应要滞后一段时间，因为供给的调整需要经过一定的时间才能实现。

（三）模型设定的偏误

所谓模型设定偏误（Specification error）是指所设定的模型“不正确”。主要表现在模型中丢掉了重要的解释变量或模型函数形式有偏误。例如，平均成本函数应该是二次多项式模型；如果设成了直线形式，则随机误差项是自相关的，因为误差项中包括了产值的平方项x2，产值的各期相关性将会导致随机误差项的自相关性。

1.模型中遗漏了重要的解释变量

例如，以年度资料建立居民消费函数yt=α+βxt+μt时，居民消费y除了受收入水平x的影响之外，还受消费习惯、家庭财产等因素的影响，这些因素的各期值之间一般是相关的，如果模型中未包含这些因素，它们对消费的影响就表现在随机误差项中，从而使随机误差项的各期值之间呈现出相关关系。再如，我们建立一个行业生产函数模型，Yt=，以产出量Y为被解释变量，选择资本（K）、劳动（L）、技术（A）等投入要素为解释变量，根据样本与母体一致性的要求，只能选择时间序列数据作为样本观测值，在该模型中，资本、劳动、技术之外的因素，例如政策因素等，没有包括在解释变量中，但它们对产出量是有影响的，该影响则被包含在随机误差项中，如果该项影响构成随机误差项的主要部分，则可能出现序列相关性。为什么？对于不同的样本点，即对于不同的年份，由于政策等因素的连续性，它们对产出量的影响也是有内在联系的。前一年是正的影响，后一年往往也是正的影响，于是在不同的样本点之间随机误差项出现了相关性，这就产生了序列相关性。更进一步分析，在以上例子中，随机误差项之间表现为正相关。回归模型中略去了带有自相关的重要解释变量。若丢掉了应该列入模型的带有自相关的重要解释变量，那么它的影响必然归并到误差项ut中，从而使误差项呈现自相关。当然略去多个带有自相关的解释变量，也许因互相抵消并不使误差项呈现自相关。(www.xing528.com)

2.模型函数形式的设定误差

所用的数学模型与变量间的真实关系不一致，误差项常表现出自相关。比如平均成本与产量呈抛物线关系，当用线性回归模型拟合时，误差项必存在自相关。

（四）数据的原因

在实际经济问题中，有些数据是通过已知数据生成的。因此，新生成的数据与原数据间就有了内在的联系，表现出序列相关性。例如：季度数据来自月度数据的简单平均，这种平均的计算减弱了每月数据的波动性，从而使随机干扰项出现序列相关。还有就是两个时间点之间的“内插”技术往往导致随机项的序列相关性，如对缺失的历史资料，采用特定统计方法进行内插处理，也可能使数据前后期相关，而产生自相关。

（五）随机因素的影响

例如，自然灾害、金融危机、世界经济环境的变化等随机因素的影响，往往要持续多个时期，使得随机误差项呈现出自相关性。

（六）地区截面数据产生的空间自相关现象

自相关关系主要存在于时间序列数据中，但是在横截面数据中也可能会出现自相关，通常称其为空间自相关（Spatial auto correlation）。例如，一个家庭或一个地区的消费行为可能会影响另外一些家庭或另外一些地区，就是说不同观测点的随机误差项可能是相关的。多数经济时间序列在较长时间内都表现为上升或下降的超势，因此大多表现为正自相关。但就自相关本身而言，可以为正相关也可以为负相关。