第四讲异方差性.docVIP

第4章 异方差性 4.1 异方差性的含义与产生的原因 4.1.1 异方差性的定义 设线性回归模型为: (4.1.1) 经典回归中所谓同方差是指不同随机误差项（）的方差相同，即： 如果随机误差项的方差不是常数，则称随机项具有异方差性（heteroskedasticity），即: 常数(t=1，2，…n) 异方差性的几何直观表示形式，可借助观测值的散布图表示。以一元线性回归为例，在散布图上，就是样本残差平方随解释变量的变化而变化。 图4.1.1 异方差性在散布图上的反映 4.1.2 产生异方差性的原因 在计量经济研究中，异方差性的产生原因主要有 1．模型中遗漏了某些解释变量 2．模型函数形式的设定误差 3．样本数据的测量误差 4．随机因素的影响 4.2 异方差性的影响 4.2.1 对模型参数估计值无偏性的影响 以一元线性回归模型为例。 设一元线性回归模型为，随机误差项的方差随解释变量的变化而变化：，其他条件不变。此时：。在高斯——马尔可夫定理证明过程中曾经得到：，因此，。这表明满足无偏性。同理可以证明也是的无偏估计量。 由此可见，随机误差项存在异方差性，并不影响模型参数最小二乘估计值的无偏性。 4.2.2 对模型参数估计值有效性的影响 在上述假定下参数的估计值的方差为 在随机误差项同方差的假定下，则参数的估计值的方差为 在随机误差项存在异方差条件下，假设参数估计值为，=（，t=1,2,…n）,此时， = 比较上式两端，当时，有 从而说明在随机误差项存在异方差条件下，最小二乘估计量不再具有最小方差。同理也有类似的结果。 由此可见，当线性回归模型的随机误差项存在异方差时，参数的最小二乘估计量不是一个有效的估计量。 4.2.3 对模型参数估计值显著性检验的影响 在同方差的情况下，如果以的无偏估计量估计，就可以得到系数的标准误差为 但是，在异方差的情况下，是一些不同的数值，只有估计出每一个之后才能得到系数的标准误差，这在只有一组样本观测值的情况下是无法做到的。而且如果设，则在异方差的情况下，系数的标准误差： == 因此，如果仍然用计算系数的标准误差，将会产生估计偏差，偏差的大小取决于第二个因子值的大小，当其大于1时，则会过低估计系数的误差；反之，则做出了过高的估计。因而，检验的可靠性降低。 在异方差情况下，无法正确估计系数的标准误差，用t统计量为来判断解释变量影响的显著性将失去意义。 4.2.4 对模型估计式应用的影响 4.3 异方差性的检验 4.3.1 图示检验法 1．相关图分析 在回归分析中，常常对拟合回归方程的残差进行分析。具体作法为将残差对其相应的观察值作散点图或对一个或多个解释变量作散点图，或是对的估计值作散点图。残差图可以为我们判断古典线性回归模型中的同方差假定是否满足提供线索。 图4.3.1 的的各种形式 例4.3.1 我国制造工业利润函数。表4.3.1列出了1998年我国主要制造工业销售收入与销售利润的统计资料(单位：亿元)。现以此数据资料为例，介绍检验异方差性的一些常用方法。 表4.3.1 我国制造工业1998年销售利润与销售收入情况 行业名称 销售利润y 销售收入x 行业名称 销售利润y 销售收入x 食品加工业 187.25 3180.44 医约制造业 238.71 1264.10 食品制造业 111.42 1119.88 化学纤维制造 81.57 779.46 饮料制造业 205.42 1489.89 橡胶制品业 77.84 692.08 烟草加工业 183.87 1328.59 塑料制品业 144.34 1345.00 纺织业 316.79 3862.90 非金属矿制品 339.26 2866.14 服装制品业 157.70 1779.10 黑色金属冶炼 367.47 3868.28 皮革羽绒制品 81.70 1081.77 有色金属冶炼 144.29 1535.16 木材加工业 35.67 443.74 金属制品业 201.42 1948.12 家具制造业 31.06 226.78 普通机械制造 354.69 2351.68 造纸及纸制品 134.40 1124.94 专用设备制造 238.16 1714.73 印刷业 90.12 499.83 交通运精设备 511.94 4011.53 文教体育用品 54.40 504.44 电子机械制造 409.83 3286.15 石油加工业 194.45 2363.80 电子通讯设备 508.15 4499.19 化学原料制品 502.61 4195.22 仪器仪表设备 72.46 6