异方差演示文件修改版.pptVIP

第五章 异 方 差 古典线性模型强调同方差假定，但在实际操作中我们无法保证这一假设总能够满足。因此， 本章主要讨论当同方差假定不满足时会发生什么情况。特别地，我们探求下列问题的答案： (1) 异方差的性质是什么？ (2) 异方差的后果是什么？ (3) 如何检验异方差的存在？ (4) 如果存在异方差，有哪些补救措施？ §5.1 异方差的性质 一、异方差的涵义 为了看清楚同方差性和异方差性的区别，我们先看个实例： 异方差问题多存在于截面数据中 例如同一时间点上不同消费者或是其家庭成员、公司、行业，或者区域上分区、县、州或城市等等。 这些单位具有不同的规模，如小公司，中等公司或者大公司，或是低收入、中等收入或高收入。换言之，可能存在规模效应（scale effect）。 二、异方差的图示 散点图 例1 美国工业的研究与发展费用支出、销售和利润 考虑表 F1所给出的纯横截面数数据 §5.2 异方差产生的原因及后果 一、异方差产生的原因 异方差产生的原因一般来自于者两方面。 1、略去了某些解释变量 设回归模型为： 有时经济生活中，被略去的变量又与Xi具有某种关联，故ui就往往随着Xi的变化而变化，从而ui的方差是Xi的函数，而不是一个常数 方程(5－1)中，ui项就包含了除可支配收入以外的其他因素对储蓄的影响，但这些因素往往又与收入密切相关。因此，在储蓄行为中，收入高的家庭其储蓄的变动性要比收入低的家庭大得多，ui项的方差是与Xi相关的。 2、测量误差 一方面，测量误差常常随着时间逐渐累积，所以扰动项的方差，趋向于随时间增加； 另一方面，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 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，时间序列数据的项常常是不同方差的。 二、异方差性产生的后果 异方差是实际生活中常常遇到的问题，其后果也比较严重： 第一，最小二乘法估计量仍然是线性无偏的，但不再具有最小方差性 第二，参数的显著性检验和置信区间的建立发生困难。 以简单的一元线性回归模型为例进行讨论 当是ui同方差时，未知的 是一个常数，可用 进行估计 第三， 不再是真实 的无偏估计量，故进一步导致 和 不再是无偏估计量。 §5.3 异方差性的检验 检验扰动项异方差性一般有下面几种方法和经验。 一、问题的性质 往往根据所考虑问题的性质就能判别是否会遇到异方差性 在涉及不均匀单元的横截面数据中，异方差性可能是一种常规而不是例外 横截面分析中，如果样本同时含有小、中和大型厂家，则一般都预期有异方差性。 二、残差的图形检验 将残差平方 e2i对其中一个或多个解释变量描图，或是对Y的估计量描图 F1 二.斯皮尔曼(Spearman)等级相关检验法 ui与Xi的相关系数可以检验ui的异方差性的强弱。 问题是ui未知只能用ei代替 ei与ui的异方差性是等价的 斯皮尔曼等级相关系数检验法的步骤 一、对原模型应用OLS法，等到殘差ei 二、计算 与 的等级差 等级－ 的等级 三、计算等级的相关系数 若 表明样本数据异方差显著 对于多元回归模型，分别计算殘差与每一个解释变量的等级相关系数进行检验 例：假定家庭收入X与年收入Y的横断面样本数据如表F2 一、对原模型应用OLS法，等到殘差ei 输入数据 Y X OLS 得到 利用Eviews得到　　　F2 二、计算 与 的等级差 三、计算等级相关系数rs 三、戈德菲尔德－匡特检验（Goldfeld – Quant检验） 该检验适用于大样本(n30) 要求观测值的数目至少是所要估计的参数的二倍 假定扰动项ui是服从均值为零的正态分布 且无自相关 我们所要检验的是ui的异方差性，以下进行一种特殊的假设检验： 虚拟假设H0:ui是同方差的； 对立假设H1:ui是异方差的。 Goldfeld – Quandt检验按下述步骤进行： (1)观测值按某个解释变量的大小顺序排列： X1，X2，…Xn Y1, Y2 , …Yn (2) 删去正中心的c个观测值，将剩下的n-c个观测值