造成了随机误差项的异方差性。.pptVIP

第六章 异方差 Heteroskedasticity 本章主要内容 第一节 异方差的概念 第二节 异方差的后果 第三节 异方差的检验 第四节 异方差的处理 第一节 异方差的概念 同方差性假定的意义是指每个?i围绕其零平均值的变差，并不随解释变量X的变化而变化，不论解释变量观测值是大还是小，每个?i的方差保持相同，即 ?i2 =常数 在异方差的情况下， ?i2已不是常数，它随X的变化而变化，即 ?i2 =f(Xi) 注意 当线性回归模型存在解释变量缺落、函数形式不准和参数改变等模型定式误差问题时也会表现出与异方差相似的特征，容易与由误差项变动幅度变化引起的真正异方差混淆。 注意(续) 若记 ，则 因此 是 的函数，即模型表现出异方差性。 这种异方差本质上与误差项波动变化的异方差是不同的，是模型误差项均值非零的系统偏差导致的，我们称这种异方差为“假性的”。 实际经济问题中的异方差 在该模型中，?i的同方差假定往往不符合实际情况。对高收入家庭来说，储蓄的差异较大；低收入家庭的储蓄则更有规律性（如为某一特定目的而储蓄），差异较小。 因此，?i的方差往往随Xi的增加而增加，呈单调递增型变化。 第二节 异方差的后果 1. 参数估计量非有效 2. 变量的t检验失去意义 3. 模型的预测失效 1. 参数估计量非有效 普通最小二乘法参数估计量仍然具有无偏性，但不具有有效性。 而且，在大样本情况下，参数估计量仍然不具有渐近有效性，这就是说参数估计量不具有一致性。 以两变量线性回归模型为例进行说明： (1)仍存在无偏性：证明过程与方差无关 由于 Y = ? + ? X + ? 的参数?的OLS估计量b为： (2)不具备最小方差性 2. 变量的t检验失去意义 3. 模型的预测失效 一方面，由于上述后果，使得模型不具有良好的统计性质； 另一方面，在预测值的置信区间中也包含有随机误差项共同的方差?2 。 所以，当模型出现异方差性时，参数OLS估计值的变异程度增大，从而造成对Y的预测误差变大，降低预测精度，预测功能失效。 第三节 异方差的检验 1. 残差序列图分析 2. 戈德菲尔德-夸特检验 3. 戈里瑟检验 4. 怀特异方差检验 检验方法的共同思路 由于异方差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，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”。 1. 残差序列图分析 利用模型回归残差序列图的分布形态进行分析，是发现和判断异方差问题的基本方法。 以i 或 为横轴，残差e为纵轴，作残差序列的分布图形，那么模型不存在异方差问题时，回归残差应该均匀地分布在横轴上下的一定范围内，如图6.2（a）。 如果残差序列的分布形态如图6.2（b）， 的分布有随着 的增大而越分散的趋势，那么应该怀疑存在异方差性，而且是递增异方差。 图6.2 异方差的发现和识别 (a) (b) 如果残差序列分布形态如图6.2（c）或（d），应该考虑递减异方差或复杂异方差的可能性。 如果残差序列分布形态如图6.2（e）或（f），应该考虑假性异方差，也就是参数变化或函数设定偏差的可能性等。 图6.2 异方差的发现和识别 (c) (d) 图6.2 异方差的发现和识别 (e) (f) 2. 戈德菲尔德-夸特检验 这种方法适合检验样本容量较大的线性回归模型的递增或递减型异方差性。 我们以递增异方差为例说明戈-夸检验的思路和方法。 模型存在递增异方差时会在回归残差序列的分布中反映出来，表现为其发散程度随某个解释变量的增大而不断增大。 如果将样本按 Xi 排序，那么对应较小Xi的回归残差，平均将明显小于对应较大的Xi的回归残差。 检验步骤： ①把观测样本按Xi排序。 ②去掉中间占样本总数大约1/4到1/3的部分样本，同时注意使剩余样本数为偶数。 ③对两个子样本分别进行回归，并计算这两组样本各自的回归残差平方和。 ⑤如果1≤ F ≤ Fλ，则认为误差项没有明显的异方差性；F Fλ，则表明存在递增异方差，F 越大，则表明异方差越严重。 ⑥检验递减异方差性的方法是相似的。只要把前面构造的F统计量的分子分母互换，就完全可以用同样的程序检验模型是否存在递减型异方差问题。 注：对于复杂形态的异方差性，戈-夸检验无法应用。 3. 戈里瑟检验 戈-夸检验有一个缺点，就是无法确定异方差的具体模式，即方差是如何随解释变量或样本序数而变化的。 由于异方差的具体