非典型回归模型及应用.pptVIP

第三章 非典型回归模型及其应用 学习目标： 熟悉异方差、自相关性、多重共线性的检验方法； 了解广义矩（GMM）模型及其应用； 熟悉面板数据模型及其在金融计量中的应用； 掌握Logisitic 模型和Probit模型的应用。 第三章 非典型回归模型及其应用 第一节 普通最小二乘假设的违背 第二节 广义矩模型 第三节 面板数据（panel data）模型 第四节 离散因变量模型应用 普通最小二乘假设的违背 第一节 普通最小二乘假设的违背 如前所述，最小二乘回归具有一系列前提假设。判断是否满足最小二乘回归的假设是最重要的。在此，我们特别需要检验： （1）异方差性——导致不满足残差具有不变方差的假设； （2）自相关——导致不满足残差之间相互独立的假设； （3）多重共线性——导致不满足自变量之间不相关的假设。 在本节中，我们重点对违背最小二乘回归假设的这三种情况进行分析。 普通最小二乘假设的违背 一、异方差性分析 （一）异方差问题 在多元线性回归模型中，随机扰动项 满足同方差性的基本假定，即它们具有相同的方差 。但如果随机扰动项的方差并非不变的常数，则称为异方差性（Heteroskedasticity），即指随机变量服从不同方差的分布。异方差性用公式表达为： 。在计量经济学中，产生异方差的原因有多种，比如模型中遗漏了某些解释变量，模型函数设定误差，样本数据的测定误差，以及随机因素的影响等等。 普通最小二乘假设的违背 （二）异方差检验 1、图示检验法 残差图分析 残差图分析是在利用Eviews进行回归模型估计后，在方程窗口点击“Resids”按钮，直接在屏幕上看到残差分布图。如果残差分布图的区域逐渐变窄或变宽，或出现偏离带状区的复杂变化，则表明存在异方差性。 相关图分析 异方差检验残差图 普通最小二乘假设的违背 2、White检验 怀特（White）提出的异方差的一般检验方法，具有简便有效的特点。假定模型为： White检验步骤如下： （1）首先应用OLS估计回归方程，得到残差 。 （2）然后进行辅助回归 （3）计算统计量 值。 （4）在 的原假设下， 服从自由度为5的 分布。如果 大于给定显著水平a对应的临界值 ，则拒绝原假设，表明随机误差项中存在异方差。 普通最小二乘假设的违背 （三）异方差的解决方法 1、模型变换法 模型变换法是对存在异方差的总体回归方程作适当的变换，使之满足同方差的假定，然后在运用OLS估计。 设一元回归模型为： 其中， 具有异方差性，表现为： ，其中 为常数， 0。 经过变换可得 变换后模型的随机模型的误差项具有同方差性 所以，可以对变换后的模型进行OLS估计。 普通最小二乘假设的违背 2、变量对数变化法 仍以模型 为例，变量 、 和 、 、替代，则对应的模型别转换为： 对上述模型进行估计，通常会降低异方差的影响。原因有二：一是对数转换能够将测度变量的数值所有缩小，从而将两个变量值间10倍的差异缩为2倍的差异；二是经过对数变化后的线性模型其残差相应变为相对误差，从而具有相对小的数值。 普通最小二乘假设的违背 3、加权最小二乘法（WLS） 当 已知或可以估计时，可以采用加权最小二乘法加以处理。所谓加权，是指对于不同的残差赋予不同的权重。 具体来说，在OLS估计时，我们使 最小化而估计出了 和 的值， 在此过程中对于不同的 给予了相同的权重，从而模型不再精确。为了避免这一问题，正确的做法是将较小的 给予较大的权重，而将较大 的给予较小的权重，以此对残差提供的信息的重要程度加以调整，提高参数估计的精度。 普通最小二乘假设的违背 二、自相关性 （一）自相关问题 在经典假定中，要求随机误差项 满足不相关的假定，即 ，对于任意 成立。 当随机误差项 仍然满足零期望、同方差的假定，但是违反 假定时，称随机误差项存在自相关性。 一阶自相关就是指： 其中， 是自相关系数，满足： 普通最小二乘假设的违背 （二）自相关的检验 1．图示检验法 可以用残差图来直观判断误差项的自相关性，主要有两种方法：一是以 为横轴以 为纵轴作残差序列的散点图。二是以时间t为横轴，以 为纵轴作散点图。 2．DW检验 自相关性图示检验 普通