第五章模型的建立与估计中的问题及对策(计量经济学西财任栋).ppt

第五章 模型的建立与估计中的问题及对策 我们已学到了许多有用的计量经济分析方法，如建立模型、估计参数、假设检验、预测、非线性模型的线性化，用虚拟变量将定性因素引入模型等。 可是，我们所使用的最小二乘法，以及由此而得到的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。在这种情况下，分析方法就需要改变。下面列出实践中可能碰到的一些常见问题： 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。 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。 　格里瑟检验法的最大优点是能够提供有关异方差性形式的信息，为GLS法提供Ω矩阵。缺点是太繁琐。因此建议用其它方法检验异方差性的存在，然后再用格里瑟法确定异方差性的具体形式，进而应用GLS法。 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 第四节 自相关 一 、定义 若Cov(ui , uj) = E(uiuj) =0, i≠j不成立，即线性回归模型扰动项的方差—协方差矩阵的非主对角线元素不全为0，则称为扰动项自相关，或序列相关（Serial Correlation）。 自相关对于样本观测值，分为时间序列相关和横截面数据之间的相关。 例如：因上月工厂部分停产，上月产量低，本月产量低，本月产量低与上月产量低有关，这是序列相关的例子。 某一家庭总想赶上人家，则其他家庭消费支出增加也会促使该家庭的消费支出增加。尽管该家庭并未增加收入，这是横截面数据相关的例子。 二、 自相关的原因及后果 1．原因 自相关主要发生在时间序列数据的情形，因而亦称为序列相关，主要有以下两种原因： （1）冲击的延期影响（惯性） 在时间序列数据的情况下，随机冲击（扰动）的影响往往持续不止一个时期。例如，地震、洪水、罢工或战争等将在发生期的后续若干期中影响经济运行。 自相关的定义：经济变量前后期之间存在依赖关系，其随机序列ei不满足相互独立性的假定，称该序列存在自相关（序列相关）。 自相关不是指两个变量间的相关关系，而是同一变量前后期之间的相关关系。 微观经济中也与此类似，如一个工厂的产量，由于某种外部偶然因素的影响（如某种原材料的供应出了问题），该厂某周产量低于正常水平，那么，随后的一周或几周中，由于这种影响的存在或延续，产量也很可能低于正常水平（即扰动项为负）。 不难看出，观测的周期越长，这种延期影响的严重性就越小，因此，年度数据比起季度数据来，序列相关成为一个问题可能性要小。 （2）误设定 如果忽略了一个有关的解释变量，而该变量是自相关的，则将使扰动项自相关，不正确的函数形式也将导致同样后果（称未伪自相关）。在这些情况下，解决的方法是纠正误设定。本章后面将介绍的纠正自相关的方法都不适用于这种情况的自相关。 造成e自相关的原因还有：网蛛现象、数据处理等。 网蛛现象是微观经济学中研究商品市场运行规律用的一个名词，它表示某种商品的供给量受前一期价格影响而表现出来的某种规律性，即呈网蛛状收敛或发散于供需的均衡点。由于规律性的作用，使得所用回归模型的误差项不再是随机的了，而产生了某种自相关。 2．后果 自相关的后果与异方差性类似。 （1）在扰动项自相关的情况下，尽管OLS估计量 仍为无偏估计量，但不再具有最小方差的性质, 即不是BLUE。 （2）OLS估计量的标准误差不再是真实标准误差 的无偏估计量，使得在自相关的情况下，无法 再信赖回归参数的置信区间或假设检验的结果。 三 、自相关的检验 1.图示检验法 （1）绘制et，et-1的散点图。如果大部分落在第I、III象限，表明e存在正的序列相关；如果大部分落在第II、IV象限，表明e存在负的序列相关。 et et-1 . . . .