第4章 异方差性.pptVIP

加权最小二乘估计的EViews软件实现过程： EViews软件的具体执行过程为 (1)生成权数变量； (2)使用加权最小二乘法估计模型； 命令方式: LS(W=权数变量或表达式) y c x 菜单方式: ①在方程窗口中点击Estimate按钮；②在弹出的方程说明对话框中点击Option进入参数设置对话框；③在参数设置对话框中选定Weighted LS方法，并在权数变量栏中输入权数变量，然后点击OK返回方程说明对话框；④点击OK，系统将采用WLS方法估计模型。 (3)对估计后的模型，再使用White检验判断是否消除了异方差性。 例4.4.1 我国制造工业利润函数中异方差性的调整。 1．先用最小二乘法估计模型，估计结果为: 依次键入命令：LS（W=W1） y c x 或直接键入命令：LS（W=1/x） y c x 或在方程窗口中点击Estimate＼Options按钮，并在权数变量栏输入W1，可以得到以下估计结果： 表4.4.1 加权最小二乘法估计结果 为了分析异方差性的校正情况，利用WLS估计出每个模型之后，还需要利用White检验再次判断模型是否存在着异方差性，White检验结果如下： 4.4.3 模型的对数变换 进行回归，通常可以降低异方差性的影响。其原因在于：（1）对数变换能使测定变量值的尺度缩小，它可以将两个数值之间原来10倍的差异缩小到只有2倍的差异；（2）经过对数变换后的线性模型，其残差表示为相对误差，而相对误差往往具有较小的差异。 例4.4.2 我国制造工业利润函数中异方差性的调整。用GENR生成序列lny和lnx，即在光标处键入： GENR lny=log（y） GENR lnx=log（x） 然后，用OLS方法求lny对lnx的回归，其结果如下： 表4.4.2 对数变换回归结果 为了分析异方差性的校正情况，利用WLS估计出每个模型之后，还需要利用White检验再次判断模型是否存在异方差性，White检验结果如下： 从残差图也可以看出不存在异方差性。 图4.4.2给出了没取对数模型残差e与取对数模型残差lne图，e与lne相比，几乎成为一条直线。说明了模型变换的作用。 图4.4.2 没取对数模型残差e与取对数模型残差lne图 4.4.4 广义最小二乘法(GLS) 对于多元线性回归模型： 4.5 案例分析——中国农村居民人均消费函数 中国农村居民人均消费支出主要由人均纯收入来决定。农村人均纯收入除了从事农业经营的收入外，还包括从事其他产业的经营性收入及工资性收入、财产收入和转移支付收入等。试根据表4.5.1数据，建立我国农村居民人均消费函数（采用对数模型）： 表4.5.1 中国2001年各地区农村居民家庭人均纯收入与消费支出（单位：元） 图4.1.1 异方差性在散布图上的反映 4.1.2 产生异方差性的原因 在计量经济研究中，异方差性的产生原因主要有 1．模型中遗漏了某些解释变量 2．模型函数形式的设定误差 3．样本数据的测量误差 4．随机因素的影响 4.2 异方差性的影响 4.2.1 对模型参数估计值无偏性的影响 由此可见，随机误差项存在异方差性，并不影响模型参数最小二乘估计值的无偏性。 4.2.2 对模型参数估计值有效性的影响 由此可见，当线性回归模型的随机误差项存在异方差时，参数的最小二乘估计量不是一个有效的估计量。 4.2.3 对模型参数估计值显著性检验的影响 4.2.4 对模型估计式应用的影响 4.3 异方差性的检验 4.3.1 图示检验法 1．相关图分析 例4.3.1 我国制造工业利润函数。表4.3.1列出了1998年我国主要制造工业销售收入与销售利润的统计资料(单位：亿元)。现以此数据资料为例，介绍检验异方差性的一些常用方法。 表4.3.1 我国制造工业1998年销售利润与销售收入情况 行业名称 销售利润y 销售收入x 行业名称 销售利润y 销售收入x 服装制品业 157.70 1779.10 黑色金属冶炼 367.47 3868.28 皮革羽绒制品 81.70 1081.77 有色金属冶炼 144.29 1535.16 木材加工业 35.67 443.74 金属制品业 201.42 1948.12 家具制造业 31.06 226.78 普通机械制造 354.69 2351.68 造纸及纸制品 134.40 1124.94 专用设备制造 238.16