第四讲异方差和自相关.pptVIP

异方差和自相关 对于经典计量模型，我们的基本假设有： 此时可得： Var(b) =σ2 (XX)-1 不管是异方差还是自相关，都是无偏的、非有效（一致）的。 误差项存在异方差：Var(u)主对角线上的元素不相等 。 异方差是违背了球型扰动项假设的一种情形。在存在异方差的情况下： （1）OLS 估计量依然是无偏、一致且渐近正态的。 （2）估计量方差Var(b|X) 的表达式不再是σ2(X’X)?1，因为Var(ε|X) ≠σ2I。 （3）Gauss-Markov 定理不再成立，即OLS不再是最佳线性无偏估计（BLUE）。 一般截面数据容易产生异方差 而时间序列数据容易产生自相关 异方差的检验 1。残差图 2。怀特检验 3。Breusch-Pagan（BP）检验 4。 G-Q 检验 (Goldfeld-Quandt,1965) 5。 Szroeters 秩检验(Szreter,1978) 后两种现在已经基本不用。 1。画图：散点图和残差图。 1。残差图： rvfplot （residual-versus-fitted plot） rvpplot varname （residual-versus-predictor plot） 作图命令一定要在回归完成之后进行 Rvfplot, yline(0) 2。怀特检验： 2。怀特检验命令： 做完回归后，使用命令： estat imtest, white Breusch and Pagan 检验 根据异方差检验的基本思路，Breusch and Pagan（1979）和Cook and Weisberg（1983） 主要思路：用 ei2/avg(ei2) 对一系列可能导致异方差的变量作回归。 H0： a1=a2=...=0 （不存在） H1： a1，a2...不全为0 （存在） Step1：估计原方程，提取残差，并求其平方ei2。 Step2：计算残差平方和的均值avg(ei2) 。 Step3：估计方程，被解释变量为ei2/avg(ei2) ，解释变量依然为原解释变量。 Step4：构造得分统计量Score=nR2服从自由度为k的卡方分布。查表检验整个方程的显著性。 注意：在第3步中，方便起见也可以用被解释变量的拟合值作为解释变量。 3。BP 检验：做完回归后，使用命令： estat hettest ,normal（使用拟合值y ） estat hettest,rhs （使用方程右边的解释变量，而不是y ） 最初的BP 检验假设扰动项服从正态分布，有一定局限性。Koenker（1981）将此假定放松为iid，在实际中较多采用，其命令为： estat hettest, iid estat hettest, rhs iid 1.sysuse auto,clear reg price weight length mpg 检查是否具有异方差。 2。reg weight length mpg 检查是否具有异方差。 3。use production,clear reg lny lnk lnl 检查是否具有异方差 4。use nerlove,clear reg lntc lnq lnpl lnpf lnpk 检验是否具有异方差 异方差的处理 1。使用“异方差稳健标准差”（robust standard error）：这是最简单，也是目前比较流行的方法。只要样本容量较大，即使在异方差的情况下，只要使用稳健标准差，则所有参数估计、假设检验均可照常进行。 sysuse nlsw88, clear reg wage ttl_exp race age industry hours reg wage ttl_exp race age industry hours, r 2。广义最小二乘法（GLS）、加权最小二乘法（WLS）以及可行广义最小二乘法（FGLS）。 广义最小二乘法是对原模型加权，使之变成一个新的不存在异方差性的模型，然后采用普通最小二乘法估计其参数。 加权最小二乘法就是对加了权重的残差平方和实施OLS法： 对较小的残差平方ei2赋予较大的权数， 对较大的残差平方ei2赋予较小的权数。 其含义为 Var(b) =σ2 (XX)-1(XΩX) (XX)-1 通过加权使得Ω=I 因此，GLS和WLS要求Ω已知。 WLS方法 例如：假设我们知道异方差是由变量lnq引起的，故对lnq实行WLS加权处理。 use nerlove,clear reg lntc lnq lnpl lnpf lnpk predict e1,res gen e2=e1^2 gen lne2=ln(e2) reg lne2 lnq,noc predi