4违背基本假定的情况-异方差性.ppt

第4章 违背基本假设的情况 ——异方差 信计学院统计系 沈菊红 消费Y与收入X：异方差的图形表示 1 异方差的概念 异方差一般可归结为三种类型： （1）单调递增型： 随X的增大而增大； （2）单调递减型： 随X的增大而减小； （3）复 杂 型： 与X的变化呈复杂形式。 三 异方差性的后果 1 参数估计量非有效 普通最小二乘法参数估计量仍然具有无偏性，但不具有有效性。 而且，在大样本情况下，参数估计量仍然不具有渐近有效性，这就是说参数估计量不具有一致性。 2 参数的显著性检验失去意义 四 异方差性的检验 1 检验方法的共同思路 由于异方差性就是相对于不同的解释变量观测值，随机误差项具有不同的方差。那么： 检验异方差性，也就是检验随机误差项的方差与解释变量观测值之间的相关性。 问题在于用什么来表示随机误差项的方差？ 看是否形成一斜率为零的直线 五 加权最小二乘法(WLS) ( Weighted Least Squares) 2 一个例子 例如，如果在检验过程中已经知道： 4 求得权矩阵W的一种实用方法 从前面的推导过程看，权矩阵来自于原模型（4.1）残差项 的方差-协方差矩阵，因此仍然可对原模型(4.1)首先采用OLS法，得到随机误差项的近似估计量，以此构成权矩阵的估计量，即 5 加权最小二乘法具体步骤 6 注意 在实际建模过程中，尤其是截面数据作样本时，人们通常并不对原模型进行异方差性检验，而是直接选择加权最小二乘法 如果确实存在异方差，则被有效地消除了； 如果不存在异方差性，则加权最小二乘法等价于普通最小二乘法。 该模型具有同方差性。因为 用 左乘(4.1)两边，得到一个新的模型： 即 (4.2) 这就是原模型(4.1)的加权最小二乘估计量，它是无偏、有效的。 这里权矩阵为 ，它来自于矩阵 。 于是，可以用OLS法估计模型(4.2)，得 (4.3) (4.4) 说明：在使用加权最小二乘法时，观测值的 权数应该是观测值误差项方差的倒数，即 例题分析1 当权函数为 用SPSS可以确定幂指数m的最优取值。 仍然用前面的例4.3计算。 Analyze Regression Weight Estimation Log-likelihood Function = -224.258830 POWER value = -2.000 Log-likelihood Function = -221.515008 POWER value = -1.500 Log-likelihood Function = -218.832193 POWER value = -1.000 Log-likelihood Function = -216.252339 POWER value = -.500 Log-likelihood Function = -213.856272 POWER value = .000 Log-likelihood Function = -211.773375 POWER value = .500 Log-likelihood Function = -210.185972 POWER value = 1.000 Log-likelihood Function = -209.316127 POWER value = 1.500 Log-likelihood Function = -209.379714 POWER value = 2.000 The Value of POWER Maximizing Log-likelihood Function = 1.500 Log-likelihood Function= -209.316127 输出结果4.3 Multiple R .96744 R Square .93595 Adjusted R Square .93374 Standard Error .12532 Analysis of Variance: DF Sum of Squares Mean Square F Sig Regression 1 6.6548981