第九章 多元线性回归-异方差问题.pptVIP

一、异方差及其影响 1、异方差的定义： 对于多元线性回归模型，如果随机扰动项的方差并非是不变的常数，则称为存在异方差（heteroscedasticity)。异方差可以表示为 。 或 两变量线性回归模型的异方差 1、异方差的定义 异方差主要出现在截面数据分析中，例如大公司的利润变化幅度要比小公司的利润变化幅度大，即大公司利润的方差比小公司利润的方差大。这取决于公司的规模、产业特点和研究开发支出多少等因素。又如高收入家庭通常比低收入家庭对某些商品的支出有更大的方差。 例6-1：人均家庭支出（cum)和可支配收入（in)的关系模型 给出中国1998年各地区城镇居民平均每人全年家庭交通及通讯支出（cum)和可支配收入（in)的数据，估计两者之间的关系模型 2、异方差的影响 1、OLS估计量不再是BLUE，其是无偏和一致的，但并非有效的，即不再具有方差最小性。 2、检验假设的统计量不再成立，建立在t分布和F分布之上的置信区间和假设检验不可靠。 二、异方差的发现和判断 （一）残差的图形检验 （二）帕克检验（Park test） （三）戈里瑟检验（Glejser test） （四）怀特检验（White test） （一）残差的图形检验 这是一种最直观的方法，它以某一变量（通常取因变量）作为横坐标，以随机项的估计量e或e2为纵坐标，根据作出的散点图直观地判断是否存在相关性。如果存在相关性，则存在异方差。通常的方法是先产生残差序列，再把它和因变量一起绘制散点图。 例6-2：利用该方法绘制上一章关于美国机动车消费量的模型中QMG与残差的散点图。 （二）Breusch-Pagan检验 假设回归模型如下： 检验假定线性函数 （三）戈里瑟检验 1、通常拟合 和 之间的回归模型： 根据图形中的分布选择 2、再检验零假设 ＝0（不存在异方差）。如果零假设被拒绝，则表明可能存在异方差。 （四）怀特检验 假设有如下模型： （3） 基本步骤： 1、首先用OLS方法估计回归方程（3）式。 2、然后作辅助回归： （4） （四）怀特检验 3、求辅助回归方程的R2值。在零假设：不存在异方差下，White证明了，从方程（4）中获得R2值与样本容量（n）的积服从卡方分布 自由度等于（4）式中的解释变量的个数。 4、根据样本计算统计量n*R2值，并与所选取的显著性水平进行比较，看是否接受零假设（零假设为残差不存在异方差性）。 5、Eviews计算：View-Residual Tests-White Heteroskedasticity . 应用：对例6-1进行White异方差检验 （五） 实例 使用Wooldridge中的数据HPRICE.RAW中的数据来检验一个简单的住房价格方程中的异方差性。水平变量模型为（分别采用水平变量和其对数项分别进行回归分析） 发现：采用水平模型存在异方差性，但采用对数模型不存在异方差性。 三、异方差的解决方法 加权最小二乘法 模型的重新设定 （一）加权最小二乘法 基本思路：赋予残差的每个观测值不同权数，从而使模型的随机误差项具有同方差性。 （一）加权最小二乘法 （一）加权最小二乘法 （一）加权最小二乘法 方差已知的情形 （1）误差方差与xi成比例 Var(ui)=σ2 * xi 其中σ2为常数，这时可以令权序列 （2）误差方差与xi2成比例 Var(ui)=σ2 * xi2 其中σ2为常数，这时可以令权序列 （一）加权最小二乘法 方差已知的情形 实例：住房支出模型 给出由四组家庭住房支出和年收入组成的截面数据，建立住房支出模型，并检验和修正异方差。 （3）其他的与自变量xi的加权形式f(xi) （一）加权最小二乘法 方差已知的情形 （一）加权最小二乘法 （4）用随机误差项的近似估计量求权重序列 首先利用OLS估计原模型得到残差序列 ，然后利用残差序列的绝对值的倒数序列作为加权序列，即令 实例：采用该方法修正6-1模型的异方差性 （一）加权最小二乘法 OLS是加权最小二乘法的特例 显然，当满足同方差假定时， w1