第二章：异方差及其处理课件.ppt

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 思想：仍然使用OLS，因此估计量是有偏的，但如果标准差能够足够小，那么我们的估计仍然是令人满意的。 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） 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 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) 该方程中，解释变量的个数为“p”(不不包括常数项) 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nR2服从X2 (p)分布，可进行卡方检验； 大于临界值时，拒绝同方差假设 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 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时，异方差检验通常无法通过； 所以，在进行异方差检验时，先要保证没有遗漏重要变量——拉姆齐检验 异方差的诊断 更多的时候，我们需要进行定性的分析！！！！！！ 异方差的处理 1、加权最小二乘法(WLS) Weighted Least Squares 广义最小二乘(GLS) Generalized Least Squares 前者是后者的特例。 Generalized Least Squares 考虑如下数据生成过程： 回归方程的等号两边同时除以di GLS: Transformed Data GLS: Transformed Data 异方差的处理 1、加权最小二乘法