第四章模型的建立与估计中的问题及对策(计量经济学,南京审计学院)研讨.ppt

第四章 模型的建立与估计中的问题及对策 我们已学到了许多有用的计量经济分析方法，如建立模型、估计参数、假设检验、预测、非线性模型的线性化，用虚拟变量将定性因素引入模型等。 可是，我们所使用的最小二乘法，以及由此而得到的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。在这种情况下，分析方法就需要改变。 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。 加权最小二乘法是广义最小二乘法的一个特例，在Ω矩阵为对角矩阵这种特殊情形下，我们既可以直接应用矩阵形式的广义最小二乘估计量公式得到GLS估计值，亦可避开矩阵运算，采用加权最小二乘法得到其WLS估计值，两者结果完全相同，无论你称之为GLS估计值还是WLS估计值，二者是一码事。 例: （1） 其中：Y=RD支出，X=销售额 采用美国1988年18个行业的数据估计上述方程，结果如下（括号中数字为t值）： 这里是横截面数据，由于行业之间的差别，可能存在异方差性。 应用格里瑟法试验，得到异方差性形式为： 将原模型（1）的两端除以 ，得 用OLS法估计（2）式，结果如下（括号中数字为t值）： 与（1）式的结果比较，两个方程斜率系数的估计值相差不大，但采用WLS法估计的比直接用OLS法估计的系数更为显著，这表明OLS法高估了X系数的标准差。 第四节 自相关 一 定义 若Cov(ui , uj) = E(uiuj) =0, i≠j不成立，即线性回归模型扰动项的方差—协方差矩阵的非主对角线元素不全为0，则称为扰动项自相关，或序列相关（Serial Correlation）。 二 自相关的原因及后果 1．原因 自相关主要发生在时间序列数据的情形，因而亦称为序列相关，主要有以下两种原因： （1）冲击的延期影响（惯性） 在时间序列数据的情况下，随机冲击（扰动）的影响往往持续不止一个时期。例如，地震、洪水、罢工或战争等将在发生期的后续若干期中影响经济运行。 3．删除一个或几个共线变量 这样做，实际上就是利用给定数据估计较少的参数，从而降低对观测信息的需求，以解决多重共线性问题。删除哪些变量，可根据假设检验的结果确定。 应注意的是，这种做法可能会使得到的系数估计量产生偏倚，因而需要权衡利弊。 4．将模型适当变形 例1．某商品的需求函数为： 其中：Q = 需求量， X = 收入， P = 该商品的价格， P* = 替代商品的价格 在实际数据中，P和P*往往呈同方向变动，它们之间高度相关，模型存在多重共线性。 如果我们仅要求在知道两种商品的相对价格变动时，对需求量进行预测，则可将需求函数变为： 就可以解决多重共线性问题。 例2．有滞后变量的情形 Yt = β1+β2Xt+β3 Xt-1 + ut 一般而言，Xt和Xt –1往往高度相关，将模型变换为： Yt = β1+β2（Xt - Xt –1）+β3′Xt -1+ ut 其中β3′=β3 +β2 经验表明：△Xt和Xt –1的相关程度要远远小于和Xt和Xt –1的相关程度，因而这种变换有可能消除或减缓多重共线性。 5．主成分法 可将共线变量组合在一起形成一个综合指数(变量)，用它来代表这组变量。构造综合指数的最常用方法是主成分法。主成分法的计算相当复杂，这里不做介绍。 同学们需要了解的是，主成分的特点是，各主成分之间互不相关，并且，用很少几个主成分就可以解释全部X变量的绝大部分方差，因而在出现多重共线性时，可以用主成分替代原有解释变量进行回归计算，然后再将所得到的系数还原成原模型中的参数估计值。 五. 处理多重共线性问题的原则 1. 多重共线性是普遍存在的，轻微的多重共线性问题可不 采取措施。 3. 如果模型仅用于预测，则只要拟合好，可不处理多重共线性问题，存在多重共线性的模型用于预测时，往往不 影响预测结果。 2. 严重的多重共线性问题，一般可根据经验或通过分析回归结果发现。如影响系数的符号，重要的解释变量t 值很低