第四章 异方差问题.pptVIP

第四章 异方差问题 二、 异方差类型 异方差通常有三种主要类型： 1．递增型，即Var(μi)随的增大而增大（如图4-2） 例如，以截面数据研究消费与收入之间的联系：。高收入消费主体的消费呈现出较大的随意性，低收入者的消费受收入约束而具有较小的随意性，其消费变动是很小的。体现在模型中μi的方差随的增大而增大。 2．递减型，即Var(μi)随的增大而减小（如图4-3） 例如，研究印刷工人的错误密度（Y）与从事工作时间(T)的关系。人们不断学习，其知识积累将与日俱增，而行动中犯错误的密度随时间增加而减少。印刷工人从事印刷工作的时间越长，错误密度越小，而且错误密度的随机涨落也越小。体现在模型中便是的方差随的增大而减小。如图4.5所示。 3．复杂型，即Var(μi)随的变化呈现复杂形式（如图4-4） 例如，以某一行业的企业为样本建立企业生产函数模型，产出为被解释变量，资本、劳动、技术等投入要素为解释变量，那么每个企业所处的外部环境对产出的影响则包含在随机误差项中。由于每个企业所处的外部环境对产出的影响程度不同，造成了随机误差项的异方差性。这时，随机误差项的方差并不随某一个解释变量观测值的变化而呈规律性变化，为复杂型的一种。如图4.6所示。 三、异方差产生的原因 1．略去了某些重要解释变量 模型遗漏了重要解释变量，那么这些变量的影响将归入随机误差项中，如果这些解释变量的变化具有异方差性，这种情况下随机误差项会表现出和那些被遗漏的解释变量相同的变化趋势，从而呈现异方差性。 【相关链接】 服装需求模型的建立 研究人们的服装需求模型：以服装需求量为被解释变量，收入I、服装价格P和其他商品价格为解释变量，于是有： 在该模型中，气候因素的影响并没有作为解释变量，其影响则包含在随机误差项中，而对于不同收入的消费者，气候变化带来的对服装需求量的影响是不同的。高收入者资金比较充足，气候变化时可以拿出来较多的钱购买服装以适应气候的变化，不同人的偏差可以较大，而低收入者的购买能力则很有限，偏差较小。于是不同收入的消费者的服装需求量偏离的均值的程度是不同的，也就是说不同收入的消费者的服装需求量具有不同的方差，这就产生了异方差。 2.模型设定错误引起的异方差 很多情况下，解释变量与被解释变量之间的关系比较复杂的非线性关系。如果在构造模型时用线性模型表达工资收入的关系。理论上认为，随着年龄的增长，工作经验积累，工资慢慢增加，达到顶峰后又慢慢减少，整体工资随年龄呈现倒“U”型，因此正确设定的模型为非线性关系，或者用简单的非线性模型表达复杂的非线性关系，就会造成函数形式的设定误差，进而出现异方差。 如果在设定模型时将模型错误的设定为 4．测量误差 一方面，测量误差常常随着时间逐渐积累，所以扰动项的方差，趋向于随时间增加；另一方面，随着抽样技术和其他数据采集技术的不断改进，测量误差以及扰动项的方差也可能随时间减少。例如相对于没有精确数据处理装备的银行，有这种装备的银行在每月或每季的账户收支说明书中会出现更少的差错。当然，这两种情况最容易出现在时间序列数据中，故由于测量误差的影响，时间序列数据建立的模型 的项也容易出现异方差。 四、异方差的后果 1．参数估计值仍是无偏的，但不再具有最小方差性 2．参数显著性检验失效 在变量的显着性检验中，构造了t统计量： 第二节 异方差问题的检验 异方差性，即相对于不同的样本点，也就是相对于不同的解释变量观测值，随机误差项具有不同的方差，那么检验异方差性，也就是检验随机误差项的方差与解释变量观测值之间的相关性。各种检验方法就是在这个思路下发展起来的。 问题在于用什么来表示随机误差项的方差。一般的处理方法是首先采用普通最小二乘法估计模型，以求得随机误差项的估计量，用ei表示。于是有 一、图形检验法 由于异方差指随机扰动项的方差随着解释变量的变化而变化，因此异方差反映在散点图上，就是残差平方随解释变量Xi的变化而改变。图4.7列出四种不同的散点图。其中图4.7a表示没有异方差性，图 4.7b,4.7c,4.7d表示有异方差性，分别为递增型、递减型、复杂型。 图示检验法只能进行大概的判断，其它检验方法则更为准确。 【相关链接】 【相关链接】 GQ检验方法 Eviews6.0软件操作步骤（数据见表4.2）： 第一步：首先将变量按从小到大进行排序。在Procs菜单里选Sort Current Page命令，出现排序对话框，如果以递增型排序，选Ascenging，如果以递减型排序，则应选D