计量经济学 李子奈 第二版 教案4 放宽基本假定的模型.ppt

由于Cov Xi,?i E Xi?i 0，意味着大样本下: ?xi?i /n?0 表明大样本下: 成立，即OLS估计量具有一致性。 然而，如果Xi与?i相关，即使在大样本下，也不存在 ?xi?i /n?0 ，则 在大样本下也不成立，OLS估计量不具有一致性。 如果选择Z为X的工具变量，那么在上述估计过程可改为: 利用E zi?i 0，在大样本下可得到： 这种求模型参数估计量的方法称为工具变量法 instrumental variable method ，相应的估计量称为工具变量法估计量（instrumental variable IV estimator）。 对于矩阵形式： Y X?+ ? 采用工具变量法（假设X2与随机项相关，用工具变量Z替代）得到的正规方程组为： 参数估计量为： 其中: 称为工具变量矩阵 3. 工具变量法估计量是一致估计量 一元回归中，工具变量法估计量为: 两边取概率极限得： 如果工具变量Z选取恰当，即有 因此： 1. 在小样本下，工具变量法估计量仍是有偏的。 注意： 2. 工具变量并没有替代模型中的解释变量，只是在估计过程中作为“工具”被使用。 上述工具变量法估计过程可等价地分解成下面的两步OLS回归： 第一步，用OLS法进行X关于工具变量Z的回归： 容易验证仍有: 因此，工具变量法仍是Y对X的回归，而不是对Z的回归。 3. 如果模型中有两个以上的随机解释变量与随机误差项相关，就必须找到两个以上的工具变量。但是，一旦工具变量选定，它们在估计过程被使用的次序不影响估计结果 Why？ 。 4. OLS可以看作工具变量法的一种特殊情况。 5. 如果1个随机解释变量可以找到多个互相独立的工具变量，人们希望充分利用这些工具变量的信息，就形成了广义矩方法（Generalized Method of Moments, GMM） 在GMM中，矩条件大于待估参数的数量，于是如何求解成为它的核心问题。 工具变量法是GMM的一个特例。 6. 要找到与随机扰动项不相关而又与随机解释变量相关的工具变量并不是一件很容易的事 可以用Xt-1作为原解释变量Xt的工具变量。 五、 案例——中国居民人均消费函数 例4.4.1 在例2.5.1的中国居民人均消费函数的估计中，采用OLS估计了下面的模型： 由于：居民人均消费支出（CONSP）与人均国内生产总值（GDPP）相互影响，因此， 容易判断GDPP与?同期相关（往往是正相关），OLS估计量有偏并且是非一致的（低估截距项而高估计斜率项 ）。 OLS估计结果： 13.51 53.47 R2 0.9927 F 2859.23 DW 0.5503 SSR 23240.7 2. 第二类方法：差分法 时间序列数据、线性模型：将原模型变换为差分模型: ?Yi ?1 ? X1i+?2 ? X2i+?+?k ? Xki+ ? ?i 可以有效地消除原模型中的多重共线性。 一般讲，增量之间的线性关系远比总量之间的线性关系弱得多。 例如 由表中的比值可以直观地看到，增量的线性关系弱于总量之间的线性关系。 进一步分析： Y与C -1 之间的判定系数为0.9988， △Y与△C -1 之间的判定系数为0.9567 3. 第三类方法：减小参数估计量的方差 多重共线性的主要后果是参数估计量具有较大的方差，所以采取适当方法减小参数估计量的方差，虽然没有消除模型中的多重共线性，但确能消除多重共线性造成的后果。 例如： ①增加样本容量，可使参数估计量的方差减小。 *②岭回归法（Ridge Regression） 70年代发展的岭回归法，以引入偏误为代价减小参数估计量的方差，受到人们的重视。 具体方法是：引入矩阵D，使参数估计量为 其中矩阵D一般选择为主对角阵，即 D aI a为大于0的常数。 （*） 显然，与未含D的参数B的估计量相比， * 式的估计量有较小的方差。 六、案例——中国粮食生产函数 根据理论和经验分析，影响粮食生产（Y）的主要因素有： 农业化肥施用量（X1） 粮食播种面积 X2 成灾面积 X3 农业机械总动力 X4 农业劳动力 X5 已知中国粮食生产的相关数据，建立中国粮食生产函数： Y ?0+?1 X1 +?2 X2 +?3 X3 +?4 X4 +?4 X5 +? 1. 用OLS法估计上述模型： R2接近于1； 给定? 5%，得F临界值 F0.05 5,12 3.11 F 638.4 15.19，故认上述粮食生产的总体线性关系显著成立。但X4 、X5 的参数未通过t检验，且符号不正确，故解释变量间可能存在多重共线性。 -0.91 8.39 3.32 -2.81 -1.45 -0.14 2. 检验