半对数模型.ppt

第五章 模型的建立与估计中的问题及对策 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。下面列出实践中可能碰到的一些常见问题： l 误设定（Misspecification 或specification error） l 多重共线性（Multicollinearity） l 异方差性（Heteroscedasticity或Heteroskedasticity） l 自相关（Autocorrelation） l 随机解释变量（Stochastic explanatory variables) 本章将对上述问题作简要讨论，主要介绍问题的后果、检测方法和解决途径。 第一节 误设定 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。 我们有 这表明，模型（2）中的扰动项u*满足OLS法的基本假设，可直接用OLS估计，估计量向量 这就是广义最小二乘估计量（GLS估计量） 的公式，该估计量是BLUE。 从上述证明过程可知，我们可将GLS法应用于Ω为任意正定矩阵的情形。 如果只存在异方差性，则 其中 我们显然有 四、解决异方差问题的方法 1. 可行广义最小二乘法（FGLS法） 广义最小二乘法从理论上解决了扰动项存在异方差性的情况下模型的估计问题，但在实践中是否可行呢? 从GLS估计量的公式可知，要计算GLS估计值，我们必须知道 矩阵。而实际问题中 矩阵极少为已知。因此，在实践中直接应用GLS法基本上不可行。 但在很多情况下，我们可以根据实际问题提供的信息估计 矩阵，再应用GLS法，这种方法称为可行广义最小二乘法（Feasible Generalized Least Squares, FGLS）。 例如在仅存在异方差性的情况下，如果在实际问题中，研究人员确信可以准确估计异方差性的结构，如扰动项方差与某个解释变量成正比，就可以采用FGLS法。由于FGLS法的核心是估计 矩阵，因此亦称为估计的广义最小二乘法（Estimated Generalized Least Squares, EGLS）。 FGLS法的第一步是确定异方差性的具体形式，也就是找出决定扰动项方差与某组已知数值之间关系的函数形式，然后用这个关系得到每个扰动项方差的估计值，从而得到 矩阵的估计值 ，最后计算FGLS估计量 ： 例1 Yt = β1+β2Xt+ ut t=1,2,…,n. 其中 Y=家庭消费支出 X=家庭可支配收入 我们在前面已分析过，高收入家庭有较大的扰动项方差，因此不妨假定扰动项方差与可支配收入成正比，即 Var(ut)=δXt , t=1,2,…,n. 式中δ是一未知常数，由于Xt为已知，相当于 ，而δ相当于 ，因此 应用GLS法，即可得出β的FGLS估计量。 在上例中我们假设扰动项方差与解释变量的取值成正比，这种假设是否真正合理呢？根据经验和分析做出的这种假设，虽然有一定道理，但未免显得过于武断，这方面还可做一些比较细致的工作。 Glesjer检验法不仅可检验异方差性的存在，还可用于提供有关异方差形式的进一步信息，对于确定Ω矩阵很有用，下面我们扼要说明格里瑟检验法的思路和步骤。 格里瑟检验法的思路 格里瑟检验法的思路是假定扰动项方差与解释变量之间存在幂次关系，方法是用 对被认为与扰动项方差有关的解释变量回归，确定 和该解释变量的关系。由于与该解释变量之间关系的实际形式是未知的，因此需要用该解释变量的不同幂次进行试验，选择出最佳拟合形式。 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幂次形式回归，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。 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 在大多数应用中，由于通过矩阵运算计算相对复杂，因而对于仅存在异方差性的问题，