离散数学1342150.pptVIP

第三部分 实践中的回归分析 Chp 13 异方差 主要内容 异方差的概念 异方差的后果 异方差的诊断 异方差的补救措施 小结 一、异方差的概念 异方差的类型 三、实际经济问题中的异方差性 例1：截面资料下研究居民家庭的储蓄行为: Yi=B0+B1Xi+ui Yi:第i个家庭的储蓄额 Xi:第i个家庭的可支配收入。 Figure 13-1 一般情况下，居民收入服从正态分布：中等收入组人数多，两端收入组人数少。而人数多的组平均数的误差小，人数少的组平均数的误差大。 所以样本观测值的观测误差随着解释变量观测值的不同而不同，往往引起异方差性。 每个企业所处的外部环境对产出量的影响程度不同，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，呈现复杂型。 例13-1 ：放松管制后纽约股票交易所的经纪人佣金 异方差的解释： 交易中存在规模效应——交易量越大，交易总成本越低 小的机构投资者没有大机构投资者那样的谈判能力，因而其支付的佣金率也就存在较大的差异。 例13-2 美国行业利润／销售额／RD支出 关于研发支出对销售额作回归，发现：残差的绝对值随销售额的增加而增加 表明：存在着异方差性。 异方差的后果 在CLRM其他假设保持不变，放松同方差假设，允许扰动项随观察值而异，将产生如下结果： OLS估计量仍是线性且无偏的； OLS不再具有最小方差性，即不再有效 对大样本也是如此 根据常用估计OLS估计量方差公式得到的方差通常是有偏的 建立在t分布和F分布之上的置信区间和假设检验不再可靠。 异方差的检验 检验思路： 由于异方差性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及其相关的“形式”。 图形检验 用残差对其相应的观察值作图：或是对一个或多个解释变量作图，或是对估计的Yi均值，Yi预测值作图，这些残差图可以辅助我们判断CLRM的一个或多个假设是否满足。 看是否存在明显的散点扩大、缩小或复杂型趋势（即不在一个固定的带型域中） 例(P293) ：考虑残差平方和对销售额的散点图 帕克检验（Park Test） 基本思想（下文的格莱泽也一样）：选择关于变量X的不同的函数形式，对方程进行估计并进行显著性检验，如果存在某一种函数形式，使得方程显著成立，则说明原模型存在异方差性。对于帕克检验，选取如下函数形式： 由于?i2未知，故用ei2代替 帕克检验的步骤 进行普通最小二乘回归，不考虑异方差问题； 从原始回归方程中求得残差，并求其，再取对数形式； 利用原始模型中的一个解释变量做形如上式的回归，如果有多个解释变量，则对每个解释变量做形出上式的回归，或做ei2对Y的估计值的回归； 检验零假设B2=0，即不存在异方差： 如果ln ei2和ln Xi之间是统计显著的，则拒绝零假设，存在异方差； 如果接受零假设，则回归方程中的B1可理解为同方差?2的一个给定值。 例13-3 ：RD回归与帕克检验 lnei2=10.6995+0.3599ln(salesi) se (4.3492) (0.3997) t (2.4601) (0.9004) r2=0.0482 表明：在5%的显著水平下，估计的斜率系数是统计不显著的。 帕克检验存在的问题： 帕克检验中用到的回归方程中，误差项vi本身可能存在异方差。 格莱泽检验（Glejser Test） 从原始模型中获得残差ei后，做ei的绝对值|ei|对X的回归。格莱泽建议采用如下函数形式： 在每种情形下，零假设都不存在异方差，即B2=0，如果拒绝零假设，则表明可能存在异方差。 例13-4(P295)：RD回归与格莱泽检验 具体模型见P295 由于5%的显著水平下，斜率系数都是统计不显著的，表明：不能拒绝不存在异方差的零假设 格莱泽检验：与帕克检验一样，误差项vi本身可能存在异方差和序列相关问题。但是对于大样本，格莱泽检验是诊断异方差的一个理想工具。 怀特检验(White’s general test of heteroscedasticity) 对于如下模型： Yi=B1+B2X2i+B3X3i+ui 怀特检验的步骤如下： 用普通最小二乘法估计上述回归方程，得残差ei； 做辅助回归： 求辅助回归方程的R2值 在不存在异方差的零假设下，怀特证明了上述方程中得到的R2值与样本容量n的积服从?2分布，自由度等于方程中解释变量的个数（不包括截距项），即：nR2~ ?2k-1 ； 做出判断： 如果从上述方程中得到的?2值超过所选定的显著性水平下的?2临界值，或计算?2值的p值很低，则拒绝零假