第二章：异方差其处理分解.pptVIP

估计消费函数时，对异方差的处理  异方差的处理 2、可行的广义最小二乘 但是该方法在研究者错误地设定异方差的形式后，FGLS估计量仍然不是有效的！ 基于FGLS估计的t检验、F检验仍然有问题。 异方差的处理 3、怀特异方差的一致标准误差 逻辑：仍然使用OLS， β的估计量依然是无偏的，但T检验、置信区间的估计失效。 失效的原因是：在估计β的标准误差时，用的是同方差条件下的估计公式，所以导致失效。 White Robust Standard Errors For OLS with an intercept and a single explanator, , we have derived the formula for the e.s.e: However, we really used the homoskedasticity assumption only to simplify this formula. White Robust Standard Errors If we do not impose homoskedasticity, we get a slightly more complicated formula: OLS Estimates of the Rent–Income Relationship with Robust Standard Errors 本例的戈里瑟检验(Glezser test) * * * * * 戈德菲尔德-匡特检验（Glodfeld- Quandt test） ?个样本 3/8个样本 两个回归可以产生两个残差平方和 同方差时，两个残差平方和应该差不多！ 异方差的诊断 2、正规的检验 （2）戈德菲尔德-匡特检验（Glodfeld- Quandt test） 在同方差的情况下，有： 所以，可进行F检验。 异方差的诊断 2、正规的检验 （2）戈德菲尔德-匡特检验（Glodfeld- Quandt test） 如果， 则拒绝“原假设”?存在异方差 戈德菲尔德-匡特检验（Glodfeld- Quandt test） 所以，拒绝原假设。即，认为存在异方差 戈德菲尔德-匡特检验（Glodfeld- Quandt test） 缺点：稳健性较差 如果回归方程存在设定错误，或者异方差的形式是非线性的时候，则该检验的效力较差。 优点：简单、直观 异方差的诊断 2、正规的检验 （3）怀特检验（White test）： 由H. White 1980年提出 ①原始回归，获得残差ei； ②用ei2对 常数项、x，x2，交叉项同时做回归；(回归方程称为：辅助方程ausiliary equation) 异方差的诊断 2、正规的检验 （3）怀特检验： ③ 由上述辅助方程的R2构成的统计量 可进行卡方检验； 大于临界值时，拒绝同方差假设 当然，也可以应用F检验。 案例：纽约的租金和收入 案例：纽约的租金和收入 因变量：RENT（n=108） 变量 系数 T统计量 C 5455.48 9.05 Income 0.06 4.42 R2=0.1555 案例：纽约的租金和收入 因变量：e2 （n=108） R2=0.082 怀特的辅助回归 变量 系数 T统计量 C -1.58 Income 1200.58 2.42 Income2 -0.01 -1.87 案例：纽约的租金和收入 怀特统计量=108*0.082=8.87， 自由度为2的卡方统计量=5.99 拒绝“没有异方差”的原假设！ 点点滴滴： EVIEWS设计的一个缺陷： （1）如果在进行怀特检验时，选择“不包括交叉项”； （2）如果你的原始回归本身不带常数项； 在上述两种情况下，white检验的辅助回归方程中都不会出现“解释变量的水平值”，只有其平方项。 异方差的诊断 2、正规的检验 （4）布罗施-帕甘检验(Breusch Pagan Test) ①原始回归，获得残差ei； ②用ei2对 常数项和所有的解释变量同时做线性回归；(回归方程称为：辅助方程ausiliary equation) 异方差的诊断 2、正规的检验 （4）布罗施-帕甘检验(Breusch Pagan Test) ③构建LM统计量 或者进行F检验。 异方差的诊断 2、正规的检验 注意：遗漏变量对异方差检验的影响 当原方程遗漏重要变量