stat学习资料1.docVIP

Gls 一、异方差检验 截面数据，关注对角线元素 时间系列数据，关注非对角线元素 放开第四个条件（同方差假设） OLS估计，会出现，系数无偏性不变，方差和分布发生变化 ，所以ols是偏的，但不是最有效性，因为方差和协方差发生变化。 作模型作变换，两边同时除以xi，让它符合ols条件。 Fgls: Var(ε)=α2∑ 当∑不知道，执行ols估计，估计∑中的未知参数，得到估计的∑，利用第一步的∑进行gls估计。 1、图形分析： 残差对预测值图rvfplot, yline(0) ms(d) msize(small) 残差对某变量图rvpplot ttl_exp, ms(d) msize(small) 2、B-P分析 原理：干扰项的方差【sigma_i^2】是一个常数乘经线性式子，异方差是由这个线性组合引起的 sigma_i^2 = sigma^2*(a0 + a1*z1 + a2*z2 + ...) sigma_i^2：用残差的平方替代干扰项方差 sigma^2：用残差平方的平均替代。 * H0: a1=a2=...=0：如果没有异方差 * 检验思路：用 ei^2/avg(ei^2) 对一系列可能导致异方差的变量作回归 * LM= 0.5*MSS -- chi2(k) (k 为解释变量的个数，不包括常数项) 用处理后残差[残差的平方除以残差平方的平均值]对预测回归，然后0.5*e(mss) 命令： estat hettest,normal用被解释变量的预测值对干扰项回归 Estat,rhs 对所有变量检验，用所有变量对干扰项回归 Estat turn trunk 对turn trunk两个变更检验,用这两个变量对干扰项回归 Estat turn trunk,rhs　对两个变量+所有参悟回归变量检验检验，用这些所有变量对干扰项检验 原理：残差的平方对预测值回归，用回归观测值个数*R-平方 命令：estat hettest ,iid 3、秩检验 原理：如果不存在异方差，那么残差平方和，与用秩作权重的残差平方和基本相等。 D = (sum of h*e2) / (sum of e2) 命令：estat szroeter, rhs 4、G-Q检验 * 思路： * 1. 根据某一变量对样本排序； * 2. 去掉中间的 r 个观察值 * 3. 分别对前后 n1 和 n2 个样本进行回归； * 4. 计算 R = (S2/n1-k)/(S1/n2-k) S 为残差平方和 * 5. 在原假设下, R--F(N1-K, N2-K) 5、white 检验 思路 * 用ols估计异方差模型，真实的估计量方差，Var(b) = sigma^2*inv(XX)*XQX*inv(XX) * 原假设：同方差：Q = I ，如果原假设没有被拒绝，那么Var(b) = sigma^2*inv(XX)与上式没有明显差别。 * reg e2 对所有的解释变量和它们的交乘项即平方项，XQX会产生解释变量平方项，交乘项。 * W = N*R2 -- chi2(K-1) K 为解释变量的个数，包含常数项 命令： estat imtest, white /*方法1：stata内部命令*/ whitetst /*方法2：外部命令*/ 6、 Glesjers test * 三种可能的异方差形式： * (a) Var[ei] = sigma^2*[b0 + b1*z1 + b2*z2 + ...] * (b) Var[ei] = sigma^2*[b0 + b1*z1 + b2*z2 + ...]^2 * (c) Var[ei] = sigma^2*exp[b0 + b1*z1 + b2*z2 + ...] 用干扰项的方差，这里用残差平方代替，相应形式对解释变量回归，取回归后F值。 7、检验组间异方差 用残差对相应的解释变量分析， sysuse nlsw88, clear reg wage ttl_exp race age industry hours predict e, res robvar e, by(occupation) /*stata内部命令*/ gwhet e, i(occupation) /*findit gwhet, plus文件夹*/ gwhet e, i(race) 二、估计 1、white稳健估计 真实的 Var(b) = inv(XX)*(XQX)*inv(XX) White发现我们没有必要估计Q，而是估计x’Qx就可以的。Q中α2可以用残差平方代替。 命令，rob