第二回2 其他回归模型.ppt

* 使用加权最小二乘法，也可以得到： * 2．方差未知的情形 由于一般不知道异方差的形式，人们通常采用的经验方法是，并不对原模型进行异方差检验，而是直接选择加权最小二乘法，尤其是采用截面数据作样本时。如果确实存在异方差性，则被有效地消除了；如果不存在异方差性，则加权最小二乘法等价于普通最小二乘法。 具体步骤是： 1．选择普通最小二乘法估计原模型，得到随机误差项的近似估计量 ?t ； 2．建立 wi =1/| ?t | 的权数序列； 3．选择加权最小二乘法，以 wi = 1/| ?t |序列作为权，进行估计得到参数估计量。实际上是以 1/| ?t |乘原模型的两边，得到一个新模型，采用普通最小二乘法估计新模型。 * §4.1.3 存在异方差时参数估计量的一致协方差 当异方差性形式未知时，使用加权最小二乘法提供在异方差存在时的一致参数估计，但通常的OLS标准差将不正确。 在描述协方差估计技术之前，应注意： 使用White异方差一致协方差或Newey-West异方差一致协方差估计不会改变参数的点估计，只改变参数的估计标准差。 可以结合几种方法来计算异方差和序列相关。如把加权最小二乘估计与White 或Newey-West协方差矩阵估计相结合。 * 1. 异方差一致协方差估计（White） Heteroskedasticity Consistent Covariances（White） White(1980)得出在存在未知形式的异方差时，对系数协方差进行正确估计的异方差一致协方差估计量。White 协方差矩阵公式为： 其中N是观测值数，k是回归变量数，?i 是最小二乘残差。 EViews在标准OLS公式中提供White协方差估计选项。打开方程对话框，说明方程，然后按Options钮。接着，单击异方差一致协方差(Heteroskedasticity Consistent Covariance)，选择White 钮，接受选项估计方程。 * 2. HAC一致协方差（Newey-West） 前面描述的White协方差矩阵假设被估计方程的残差是序列不相关的。Newey和West (1987) 提出了一个更一般的估计量，在有未知形式的异方差和自相关存在时仍保持一致。Newey-West估计量为： 其中 * §4.2 二阶段最小二乘法 回归分析的一个基本假设是方程的解释变量与扰动项不相关。但是，由于解释变量测量误差的存在，用于估计模型参数的数据经常与它们的理论值不一致；或者由于遗漏了变量，使得随机误差项中含有可能与解释变量相关的变量，这些都可能导致解释变量与扰动项的相关。 出现这种问题时，OLS和WLS估计量都有偏差且不一致，因而要采用其他方法估计。最常用的估计方法是二阶段最小二乘法。 * 考虑多元线性回归模型的矩阵形式 （4.2.1） 其中：y 和 X 是因变量和解释变量数据矩阵，? 是系数向量。 为简化起见，我们称与残差相关的变量为内生变量，与残差不相关的变量为外生变量或前定变量。 解决方程右边解释变量与残差相关的方法是使用工具变量回归。就是要找到一组变量满足下面两个条件： （1）与方程解释变量相关； （2）与扰动项不相关； * 选择 zi = (z1i, z2i,…, zki) 作为工具变量，它与解释变量相关，但与扰动项不相关，即 （4.2.2） 这些变量就可成为工具变量。用这些工具变量来消除右边解释变量与扰动项之间的相关性。 * 二阶段最小二乘方法（two stage least square，TSLS）本质上属于工具变量法，它包括两个阶段： 第一个阶段，找到一组工具变量，模型中每个解释变量分别关于这组变量作最小二乘回归； 第二个阶段，所有变量用第一个阶段回归得到的拟合值来代替，对原方程进行回归，这样求得的回归系数就是TSLS估计值。可以证明二阶段最小二乘估计量是一致估计量。 * 输入工具变量时，应注意以下问题： 1. 使用TSLS估计，方程说明必需满足识别的阶条件，即工具变