第04章其他回归方法_s.ppt-时间序列分析.ppt

估计非线性最小二乘模型很简单，对于任何系数非线性的方程，EViews自动应用非线性最小二乘估计，会使用迭代算法估计模型。 1. 说明非线性最小二乘估计 对于非线性最小二乘模型，必须使用直接包含系数约束的EViews表达式以方程形式来说明。可以使用缺省系数向量C中的元素(例如，c(1), c(2), c(34), c(87) ) ，也可以定义使用其它系数向量。例如： Y=c(1)+c(2)*(K^c(3)+L^c(4)) 就是缺省系数向量C的4个元素从c(1)到c(4)。 例4.6：如果设定例3.1中的消费函数为非线性形式： （4.3.11） 其中：cst 是实际居民消费，inct 是实际可支配收入。利用我国1978年～2002年的年度数据估计此非线性方程，由于用迭代法计算，首先要赋初值，比如可以设?3的估计值b3初值是1，则可以利用OLS估计值(例3.1中，b1 =414.88，b2 =0.51) 作为b1 ，b2 的初值。经过迭代，得到的非线性消费方程为 （4.3.12） b1，b2 ，b3 的标准差分别为386.3，0.21和0.096。 非线性形式的边际消费倾向为 即 MPCt = c(2)?c(3) ? inct ( C(3)-1) = 0.214*1.0857*inc^(1.0857-1) 图4.3 动态的边际消费倾向 因此，非线性情况下的MPC是时变的，根据式（4.3.11）计算得到的边际消费倾向序列如图4.3所示。注意，inc 的平均值(9795.355)对应的边际消费倾向为 MPC=0.2139*1.0857*9795.355^(1.0857-1) =0.51 等于线性模型估计值，因为线性模型的参数反映的是变量之间平均意义上的影响关系。 2.估计方法选项 （1）初始值 （2）迭代和收敛选项 可以通过说明收敛标准和最大迭代次数来控制迭代过程。按Options钮并输入想要的数值。如果系数变化的最大值低于阈值，EViews报告估计过程已经收敛。例如，设定阈值为0.001，则EViews会通过检查系数的最大变化是不是小于0.001来决定是否收敛。 §4.4 广义矩方法（GMM） Generalized Method of Moments 广义矩估计方法（GMM）是基于模型实际参数满足一些矩条件而形成的一种参数估计方法，是矩估计方法的一般化。如果模型的设定是正确的，则总能找到该模型实际参数满足的若干矩条件而采用GMM方法。GMM估计的出发点是参数应满足的一种理论关系。其思想是选择参数估计尽可能接近理论上的关系。把理论上的关系用样本近似值代替，并且估计量的选择就是要最小化理论值和实际值之间的加权距离。 参数要满足的理论关系通常是参数函数 f (? ) 与工具变量zt 之间的正则条件： ? 是被估计参数 其中m (?) =f (?)?Z, A是加权矩阵；任何对称正定矩阵A都是? 的一致估计。然而，可以推出要得到? 的（渐近）有效估计的一个必要条件是令A等于样本矩m的协方差矩阵的逆。许多标准估计量，包括所有EViews提供的系统估计量，都可以看作GMM估计量的特例。例如，普通最小二乘估计量可以看作是一个GMM估计量，它是基于方程右边变量与残差不相关的基础之上的。 GMM估计量选择参数估计的标准是使工具变量与函数f 之间的样本相关性越接近于0越好。用函数表示为： 用GMM法估计方程，从说明对话框中选择GMM估计方法，GMM对话框会变为： * * 第四章 其他回归方法 本章讨论加权最小二乘估计，异方差性和自相关一致协方差估计，两阶段最小二乘估计（TSLS），非线性最小二乘估计和广义矩估计（GMM）。这里的大多数方法在第十二章的联立方程系统中也适用。 本章中某些估计方法中含有AR和MA误差项，这些概念将在第五章中深入介绍。 古典线性回归模型的一个重要