新计量经济学（第二版） 教学课件 潘省初 著 ets5.pptVIP

第五章 模型的建立与估计中的问题及对策 OLS估计量令人满意的性质，是根据一组假设条件而得到的。在实践中，如果某些假设条件不能满足，则OLS就不再适用于模型的估计。下面列出实践中可能碰到的一些常见问题： l 误设定（Misspecification 或specification error） l 多重共线性（Multicollinearity） l 异方差性（Heteroscedasticity或Heteroskedasticity） l 自相关（Autocorrelation） 本章将对上述问题作简要讨论，主要介绍问题的后果、检测方法和解决途径。 第一节 误设定 采用OLS法估计模型时，实际上有一个隐含的假设，即模型是正确设定的。这包括两方面的含义：函数形式正确和解释变量选择正确。在实践中，这样一个假设或许从来也不现实。我们可能犯下列三个方面的错误： 选择错误的函数形式 遗漏有关的解释变量 包括无关的解释变量 从而造成所谓的“误设定”问题。 如果只存在异方差性，则 其中 我们显然有 四 广义最小二乘法的应用 1．根据实际问题确定Ω矩阵 应用GLS法的关键是确定Ω矩阵。对于仅存在异方差性的实际问题，Ω矩阵是一个对角矩阵，即 现在的问题是， 的值为已知这一假设是否现实，也就是我们能否根据实际问题，提出有关扰动项方差的某种合理的设想（即估计Ω矩阵），使得 （ 为未知常数， 为已知数值） 例1 Yt = β1+β2Xt+ ut t=1,2,…,n. 其中 Y=家庭消费支出 X=家庭可支配收入 我们在前面已分析过，高收入家庭有较大的扰动项方差，因此不妨假定扰动项方差与可支配收入成正比，即 Var(ut)=δXt , t=1,2,…,n. 式中δ是一未知常数，由于Xt为已知，相当于 ，而δ相当于 ，因此 应用GLS法，即可得出β的GLS估计量。 2．格里瑟检验法（Glesjer test） 在上例中我们假设扰动项方差与解释变量的取值成正比，这种假设是否真正合理呢？根据经验和分析做出的这种假设，虽然有一定道理，但未免显得过于武断，这方面还可做一些比较细致的工作。 Glesjer检验法不仅可检验异方差性的存在，还可用于提供有关异方差形式的进一步信息，对于确定Ω矩阵很有用，下面我们扼要说明格里瑟检验法的思路和步骤。 格里瑟检验法的思路 格里瑟检验法的思路是假定扰动项方差与解释变量之间存在幂次关系，方法是用 对被认为与扰动项方差有关的解释变量回归，确定 和该解释变量的关系。由于与该解释变量之间关系的实际形式是未知的，因此需要用该解释变量的不同幂次进行试验，选择出最佳拟合形式。 具体步骤如下： (1)因变量Y对所有解释变量回归，计算残差et （t=1,2,…,n） （2） 对所选择解释变量的各种幂次形式回归，如 然后利用决定系数，选择拟合最佳的函数形式。 （3）对β1进行显著性检验，若显著异于0，则表明存在异方差性，否则再试其它形式。 例2 Yt = β1+β2X1t+…+βk Xkt+ ut 假设我们根据经验知道扰动项方差与Xjt有关，并用格里瑟法试验，得出： 则 3．加权最小二乘法 对于仅存在异方差性的问题，其Ω矩阵是一个对角矩阵，即 在这种情况下应用广义最小二乘法，也就是在原模型两端左乘矩阵 变换原模型，再对变换后的模型应用普通最小二乘法进行估计。 这种作法实际上等价于在代数形式的原模型 Yt = β0+β1X1 t+…+βk X k t+ u t 的两端除以? t，得变换模型： 相当于在回归中给因变量和解释变量的每个观测值都赋予一个与相应扰动项的方差相联系的权数 ，然后再对这些变换后的数据进行OLS回归，因而被称为加权最小二乘法（WLS法, Weighted Least Squares）。 加权最小二乘法是广义最小二乘法的一个特例，在Ω矩阵为对角矩阵这种特殊情形下，我们既可以直接应用矩阵形式的广义最小二乘估计量公式得到GLS估计值，亦可避开矩阵运算，采用加权最小二乘法得到其WLS估计值，两者结果完全相同，无论你称之为GLS估计值还是WLS估计值，二者是一码事。 例: 其中：Y=RD支出，X=销售额 采用美国1988年18个行业的数据估计上述方程，结果如下（括号中数字为t值）：