非球型扰动与广义回归模型.docVIP

非球型扰动与广义回归模型 一、背景 在之前内容中，我们主要集中在普通最小二乘估计OLS，以及基于OLS的两阶段最小二乘上。在古典假定下，OLS估计有诸多的优良性质，诸如无偏性、一致性、有效性等。但是，在实际的问题中，古典假定往往是很难得到满足的。那么，在古典假定不能得到满足的情况下，利用OLS估计仍然会具有上述优良特性吗？如果没有，那么应该采取怎么样的处理办法进行修正？这正是广义回归模型这个部分要讨论的内容。 二、知识要点 1、GR模型中的假设条件 2、GR模型中参数估计的方差与古典假定的不同 3、White和Newey－West一致估计 4、GLS和FGLS 三、要点细纲 1、GR模型的假设 广义回归模型GR（Generalized Regression）只是对先前学过的简单线性回归模型的一个扩展。和所有计量经济学模型的扩展一样，模型的扩展往往直接来自对假设条件的放宽。广义回归模型也是这样。回忆在普通最小二乘估计中的古典假定，为了保证估计量的有效性，我们假设回归模型的残差具有同方差性质，并且无自相关，GR模型就是放宽了上述两个假设条件，在这样的情况下，普通最小二乘得到的估计量虽然仍然是无偏和一致的，但是其方差不再是最小的，也就是说，不再是一个有效的估计量。 考虑如下的回归方程： 根据古典假定，我们有： 在无异方差和无自相关的假定下，残差项的方差协方差矩阵是一个对角阵，并且主对角线的元素都相同。即有： （1）若放松关于同方差的假定，允许异方差的存在，但仍然假设无自相关，则上述结果变成： （2）反过来，如果假设不存在异方差，但有自相关，则上述结果为： 如果二者同时存在，则结果为： 2、GR假设下参数估计的性质 （1）无偏性 此时，OLS估计获得的估计量仍然是无偏和一致的，但是其有效性会受到较大的影响。对（1）式进行OLS估计获得的结果为： 因为，所以有 仍然是无偏的。 （2）方差的估计 在GR模型中，估计量的方差不再是，运用该式对方差进行估计会产生错误的结果。此时正确的估计量的方差估计为： 其中，(1/n)X((X = (1/n)(i(j (ij xi xj( 从渐进的角度来看，在大样本下，如果仍然有以下结论成立的话： 那么有： 现在，问题的关键是如何估计矩阵( 3、GR假定下2SLS的性质 在古典假定下，可以得到2SLS估计量为： （1）无偏性 （2）的方差的估计 在如下假定下： A、是一个有限、可逆的维正定矩阵。 B、是一个有限的的矩阵，并且该矩阵的秩是K。 令： 则有： 同样存在的问题是：如何估计矩阵( 4、White和Newey－West的一致估计 （1）White 估计 需要注意的是，White和Newey－West一致估计的思想是在GR假定下给出方差协方差矩阵的一致估计，但是并不意味着White和Newey－West一致估计得到的方差是最小的，也就是最有效的。 在假设存在异方差，但不存在自相关的情况下，White给出的方差协方差矩阵的一致估计，也就是著名的White异方差一致估计。 White异方差一致估计实际上回避了直接估计矩阵(的问题，而是把(1/n)X((X的部分作为一个整体，利用样本进行估计。显然，对(1/n)X((X的一个自然的样本估计是： 于是，得到 对于两阶段最小二乘也有同样的结果： （2）Newey－West估计 Newey－West一致估计是在同时考虑了异方差和自相关的情况下，给出的估计量的方差协方差矩阵的一致估计。其思想也比较简单，就是分别估计总体方差协方差矩阵的主对角线元素和非主对角线元素。 令： ，一般在实际应用中取。 那么有： 5、GLS和FGLS （1）GLS过程 上面已经分析过，White和Newey－West估计只是在GR假定下给出了估计量方差的一致估计，并不能提高估计的有效性。而GLS方法针对的就是如何提高模型估计量的有效性，它给出了存在异方差和自相关假定下的有效估计。 GLS的思想十分简单，就是通过对总体方差协方差矩阵的分解，将回归的残差转变成满足古典假定的残差，然后使用OLS估计。由于(是一个正定的对称矩阵，由矩阵代数的知识，我们知道(可以写成如下形式： 其中C的每一列是(的特征向量，是(的特征根组成的对角矩阵。 令，则有，在古典回归方程两边同乘P，得到： 或者写成： 可以看出，，显然满足古典假定，因此可以用OLS对该式进行估计。得到如下结果： （2）GLS的性质 GLS具有无偏性、有效性、渐进正态等优良的性质，具体的阐述和OLS类似，见208页定理10.7——Aitken定理。 （3）FGLS FGLS是GLS在实际问题中的应用。显然，如果方差协方差矩阵是(已知的，那么GLS就是最优的估计方法。但是，在实际的问题中，(往往是未知的。这就要求我们必须先对矩阵(进行估计，得到，然后