第4章 多元线性回归分析-第4章.pptVIP

4.8 假设条件的放松 4.8.3 假设条件的放松（三）—非随机抽 样和序列相关 序列相关不影响OLS估计的无偏性、一致性和渐近正态性 标准误的计算要用HAC标准误 用EViews检验序列相关 4.8 假设条件的放松 4.8.4 假设条件的放松（四）—内生性 假设1’（外生性假设:exogenous independent variable） 模型误差项和解释变量不相关0，即 结论5’：如果假设1’和假设2满足， （1）OLS估计 是 的一致估计； （2）当样本量 较大时， 近似服从正态分布： 4.8 假设条件的放松 4.8.4 假设条件的放松（四）—内生性 若假设1’都不能满足，则OLS失效，此时应当采用工具变量估计方法、面板数据估计方法等其他方法。 4.9 自变量共线性 当假设2和假设2’不满足时，存在多重共线性（multicolinearity），模型无法估计。 方差膨胀因子 一般认为，当 时， 与其他自变量存在严重共线性，需进行处理。 4.9 自变量共线性 存在多重共线性时处理方法 （1）增加样本量。 （2）对变量实施变换。例如对取正值的变量取自然对数，采用增长率数据而不是原始数据等。 （3）多重共线性只对有共线关系的自变量的回归系数OLS估计方差有影响，如果所关注的自变量不存在严重多重共线性，则不影响对问题的判断。 重要概念 1、多元线性回归模型的概念和理论大多与一元线性回归模型相同。由于有多个自变量，为了模型参数可以被估计，除了对模型误差项给出必要的假设之外，需要假设解释变量之间不存在完全共线性。 2、在无共线性假设下，设误差项的外生性假设是最基本的假设，在此假设下，OLS估计具有一致性和渐近正态性。如果同方差假设和随机抽样假设同时成立，则OLS估计近似服从正态分布，参数估计的标准误采用（4.18）计算，并采用结论8中的统计量对参数进行t检验。如果误差项存在异方差，OLS估计近似服从正态分布，但参数估计的标准误需要采用（4.26）给出的White方法进行计算，用于回归系数假设检验的t-统计量计算做相应的调整。如果误差项存在异方差和序列相关，则OLS估计近似服从正态分布，但参数估计的标准误需要采用Newey-West给出HAC方法进行计算，用于回归系数假设检验的t-统计量计算做相应的调整。采用EViews软件进行操作时，在回归选项中根据误差项假设选择合适的选项可得出稳健的检验结果。 如果外生性假设不满足，不能采用OLS方法估计模型。 重要概念 3. 多元线性回归的因变量总平方和，可以分解为回归平方和和残差平方和，由此可以定义拟合优度 。 会随自变量的增加而增加，以此为标准会使模型包含过多的对因变量没有解释能力的自变量。对 分子分母中的量用各自的自由度调整得出调整 。信息准则与调整 在自变量取舍上具有相同功能。信息准则包括AIC、SC和HQ，使用的原则是选择使信息准则达到最小的模型。 和信息准则只能用于嵌套模型的比较。 4. 多元线性回归模型误差项是否有异方差可以通过White方法进行检验。White方法的做法是对辅助回归模型进行检验，辅助回归以原回归模型的OLS回归残差平方 为因变量以原模型自变量、自变量平方和自变量的交叉相乘为解释变量的回归，以回归的F检验结果决定是否存在异方差。 重要概念 5.多元线性回归模型误差项是否有序列相关可以通过布罗施-葛德福瑞LM检验方法进行检验。只需要在EViews结果输出界面逐级点击菜单即可实现误差项的序列相关检验。 6. 与一元线性回归模型不同，多元线性回归模型自变量之间的多重共线性会影响到回归系数OLS估计的方差和标准误，从而影响到t-检验。方差膨胀因子VIF用来衡量共线性的程度。当存在严重共线性时，可以通过变量变换、增加样本量减轻影响，但不能轻易将解释变量从模型中去掉，导致参数OLS估计的不一致性，带来更严重的后果。 * * * 第4章 多元线性回归分析 多元线性回归分析 4.1 多元线性回归模型设定 4.2 多元线性回归模型参数估计 4.2.1 回归系数估计 4.2.2 误差估计—残差 4.2.3 的分布 4.3 更多假设下OLS估计量性质 4.4 回归系数检验（t检验） 4.5 调整 、信息准则和变量选择 4.5.1调整 4.5.2 信息准则 多元线性回归分析 4.6 回归模型检验（F检验） 4.7 用EViews7.2