计量经济学 异方差性教材.ppt

* White检验的变形 考虑到OLS的预测值?是所有x的函数。 因此， ?2是平方项和交叉项的函数。 ? 和 ?2可以用来替代所有的xj, xj2, xjxh 将残差平方对? 和 ?2回归， 用R2来构建F或LM统计量 现在只需要检验两个约束 * 对HSK检验的最后评价 即便真实的情况并无异方差，HSK检验可能由于重要变量的遗漏而错误的拒绝零假设。 HSK可能意味着模型设定错误，因此，如果可能的话，应当在HSK检验之前进行模型设定检验。 * 加权最小二乘法 对OLS估计稳健标准差总是可能办到的，但是，如果我们知道一些关于异方差结构的信息，我们可以将原模型转化为具有同方差的新模型，这称为加权最小二乘法。 在这些情况中，加权最小二乘法比OLS更为有效。对应的t 和 F 统计量具有t 和 F 分布。 * 异方差结构在比例意义上已知的情况 假设异方差可以由模型Var(ui|xi) = s2i =s2 hi刻画，其中hi =h(x) 只依赖于可观测特征x 在这种情况下，定义ui* = ui/√hi并考虑转化后的模型是否服从Gauss-Markov假设。 * 异方差结构在比例意义上已知的情况 * 异方差结构在比例意义上已知的情况 * 异方差结构在比例意义上已知的情况 * 广义最小二乘法 通过OLS估计变换后的方程可以作为广义最小二乘法（GLS）的一个例子 GLS在这种情形下为BLUE GLS是加权最小二乘法（WLS）在权重为Var(ui|xi)倒数时的特例。 * 加权最小二乘法 尽管对变换后的模型做OLS是直观的，但是变换本身可能很繁琐。 加权最小二乘法可以完成相同的目的，但是不需要进行变换。 想法是最小化加权平方和（权重为1/hi ） * 加权最小二乘法 * More on WLS 如果我们知道Var(ui|xi) 的形式，WLS很棒 但在大多数情况下，我们并不清楚异方差的形式 此时，你需要估计h(xi) 我们可以从一个非常灵活的方程形式入手 Var(u|x) = s2exp(d0 + d1x1 + …+ dkxk) 由于d未知，我们必须对它进行估计。 * 可行GLS 我们的假定意味着 u2 = s2exp(d0 + d1x1 + …+ dkxk)v, 其中E(v|x) = 1. ln(u2) = a0 + d1x1 + …+ dkxk + e 其中E(e) = 1 且 e 独立于x 现在，我们知道? 是u 的一个估计，所以我们可以通过OLS对其进行估计。 * 可行GLS 对h的估计可以通过? = exp(?) 得到，其倒数为我们的权重 那么，我们做了什么呢？ 对原方程做OLS回归，保存残差?，平方之，并取自然对数 将ln(?2) 对全部解释变量回归，得到预测值 ? 将1/exp(?) 作为权重，做WLS * 例子：香烟需求 * WLS Wrapup 当在WLS后进行F检验时，通过无约束模型构造权重，并利用此权重做约束模型和无约束模型的WLS回归。 记住：我们只是用WLS来提高效率，OLS仍然是无偏且一致的。 由于采样误差的存在，估计值可能不同，但是如果差异很大的话，有可能是因为Gauss－Markov假定的其它假定为假。 * * 多元回归分析 y = b0 + b1x1 + b2x2 + . . . bkxk + u 6. 异方差(Heteroskedasticity，HSK) * 本章提要 OLS中异方差的影响 OLS估计后“对异方差稳健”的统计推断 检验异方差 加权最小二乘估计 * 本课提要 什么是异方差 异方差的影响 OLS估计后的“对异方差稳健”统计推断 HSK－异方差稳健标准差 HSK－异方差稳健t, F, LM统计量 * 什么是异方差 同方差假定意味着条件于解释变量，不可观测误差的方差为常数 如果u 的方差随x变化，那么误差是异方差的。 例子：估计教育回报并且能力不可观测，认为能力的方差随教育水平变化。 * . Education level primary secondary f(y|x) 异方差图示 college . . E(y|x) = b0 + b1x wage * 当存在异方差时… OLS无偏且一致 R平方和调整后的R平方仍可以很好地度量拟合优度。 它们是对总体R平方1?– [Var(u)/Var(y)]的估计，其中的方差是总体中的“非条件”方差。 无论Var(u|x)?= Var(y|x)是否依赖于x，它们都可以一致地估计总体R平方。 * 为何关心异方差？ 如果存在异方差，那么估计值的标准差是有偏的。 如果标准差有偏，我们就不能应用通常的t统计量或F统计量来进行统计推断。 * 怎么办？ 计量经济学家已经知道如何调整