JLJJ 四章.pptVIP

问题的提出： 在前述基本假定下，OLS估计具有BLUE的优良性。 然而实际问题中，这些基本假定往往不能满足，使OLS方法失效，不再具有BLUE特性。 估计参数时，必须检验基本假定是否满足，并针对基本假定不满足的情况，采取相应的补救措施或者新的方法。 对基本假定是否满足的检验称为计量经济学检验。 1、通常不会发生随机扰动项均值不等于0的情形。若发生也不 会影响解释变量的系数，只会影响截距项。 2、随机扰动项正态性假设一般能够成立，就算不成立，在大 样本下也会近似成立。 （所以不讨论以上假定是否违背的问题） 不满足基本假定的情形（2） 4、随机扰动项相关=序列自相关 ——时间序列数据经常出现序列相关 第五节 解决多重共线性实例 二、利用先验信息改变参数的约束条件 先验信息：在此之前的研究成果（或经济理论分析）所提供的信息 (非样本)先验信息。 若由先验信息知，模型中某些参数间具有某种线性关系，则可将这种线性关系作为约束条件(把有共线性的变量组合成新的变量), 将此约束条件和样本信息结合起来进行有约束最小平方估计，从而消除共线性。 例：在对国民经济的总量生产函数研究中，常使用国内生产总值Y和资本投入K及劳动力投入L的时间序列资料来建立回归方程： 式中：A表示生产的技术水平。由于劳动力投入L和资本投入K的时间序列资料通常都具有很高的线性相关关系，所以这里往往存在较严重的多重共线性。但通过经济理论分析或经验判断，认为该经济系统存在规模效益不变的特征，即有 上述回归模型就转变为： （投入增加多少，产出比例不变） 即可将Y对L和K的二元双对数线性回归模型转化为劳动生产率（资本产出率）Y/L对劳动资本装备程度（劳动对资本的投入率）K/L的一元双对数线性回归模型，避免了多重共线性的影响。 三、数据的结合 有时在时间序列数据中多重共线性严重的变量，在截面数据中不一定有严重的共线性； 若能取得其间某些截面的样本数据，在假定截面数据估计出的参数在时间序列数据中变化不大的前提下，可先用截面数据估计出一些变量的参数，再代入原模型估计另一些变量的参数。以减轻时间序列资料中的多重共线性，提高估计的精度。 例如，某种商品的需求函数： 若能取到某个时期（或时点）的家计调查资料（同一时期商品的价格不会有多大变动），则： 如何处理？ 然后再利用时间序列资料，将上式变换成 四、利用差分方程（变换模型的形式） 目的：改变变量的定义形式，以克服多重共线性。 因为经济时序数据中，做了差分的变量，其相关性比原变量的相关性弱，即多重共线性的程度有明显的降低。 则模型变化为 但变化后的模型中的随机误差项可能出现序列相关 (注意: 该方法慎用). 四、逐步回归法 (既是判断是否存在多重共线性的方法，也是解决多重共线性的方法。) 首先，用因变量Y对每一个解释变量Xi分别进行回归，从中确定一个基本回归方程。然后，逐一引入其它解释变量 ，重新再作回归，逐步扩大模型的规模。 然后，逐一引入其它解释变量，重新再作回归，逐步扩大模型的规模。 引入每个新变量之后，如果 1) 拟合优度得以改进( 提高)，而且每个参数统计检验显著，则引入的 变量保留; 2) 拟合优度无明显提高甚至下降，对其他参数无明显影响，则舍弃该变量. 3) 拟合优度提高，但方程内其他参数的符号和数值明显变化，可以肯定产生了严重多重共线性。 注意: 这时对于3), 需考察变量间线性相关的形式和程度，经过经济意义的综合权衡，在线性相关程度最高的两个变量中，略去其中对因变量影响较小，经济意义相对次要的一个，保留影响较大，经济意义相对重要的一个。此时不宜轻率舍去新引入变量，否则会造成模型设定偏误和随机项与解释变量相关的后果。 第五节 解决多重共线性实例 年份 1974 98.45 560.20 153.20 6.53 1.23 1.89 1975 100.70 603.11 190.00 9.12 1.30 2.03 … … … … … … … 1987 178.69 828.73 1094.67 23.53 11.68 23.37