第十三章异方差问题[fixed].pptVIP

第十三章异方差问题 一、异方差的概念和性质？ 二、异方差的后果？ 三、诊断异方差（检验） 四、补救异方差（处理办法） 一、什么是异方差？ 二、异方差性的后果 三变量模型OLS估计量方差的代数公式（教材P157） 附注：随机误差项?的方差?2的估计（三变量模型） ?2 表示总体误差项? 的方差，这个未知方差的OLS估计量是： 三、异方差性的检验 检验思路： 在总体数据已知的情况下问题变得简单了 上表中，在每一档可支配收入水平上，家庭每月消费支出有好几个数值，因此对这几个数值的离散程度度量就会有一个方差。我们在这个案例中可以算出每一档可支配收入水平上，相对应的若干个消费支出数额的离散程度即方差。这样的方差有10个，再来观察这10个方差的取值与可支配收入取值之间的关系，就能判断有无异方差性。 但是，问题没那么简单 因为我们往往只能得到总体中的一个样本。 因此，无法求出对应于每个可支配收入的消费支出的离散程度即方差，因为此时每一个可支配收入只对应一个消费支出水平数据。那么，怎么办？ 这时我们只能用样本回归模型的一个残差值（在这个案例中，有10个残差值）替代一个总体方差值（这个案例中有10个总体方差值） 这样一来，我们要寻找的总体方差取值与解释变量取值的关系，就转化为残差的取值与解释变量之间的关系，以此判断原模型有无异方差性。这是无奈之举！ 寻找残差的取值与解释变量之间的关系，以此判断原模型有无异方差性，就成了异方差检验的指导思想！ 2.用残差对一个或多个解释变量描图。（图示法） 在实践中，如果残差平方呈现出下图中的b到e中的任意一种，则数据中很可能存在着异方差 图示法案例——中国农村居民人均消费函数 图示法检验操作演示 用残差项e代替随机误差项u 观察残差项的直方图或者散点图，图中显示残差项在一定的范围聚集或有扩大、缩小的趋势，来判断模型是否有异方差性，观察直方图或者散点图是其中的一种方法。 操作方法 Step 1 建立工作文档，输入数据,得到数据的对数形式后作OLS估计。得到残差resid(注意要保存在另外的变量序列中，比如e）。 由于每进行一次回归，其残差项会随时改变，所以在使用残差项时应该实时的保存残差项的数据，以免数据改变。 Step 2 在主程序窗口的主菜单里选择：QUICK - GRAHP - bar grahp或SCATTER 图示法—EVIEWS演示过程  输入原始数据 生成新序列 生成新序列 生成新序列 模型估计 模型估计结果（可以得到残差resid） 将残差resid生成新序列e 保存残差到e中 e中显示出来的残差序列 e（残差）的直方图操作：QUICK - GRAHP - bar grahp 作残差的散点图（首先生成新序列E2） Workfile中的e2 e的平方与x1的散点图描绘操作：QUICK - GRAHP - SCATTER e的平方与x1的散点图 总结：观察残差项的直方图或者散点图，图中显示残差项在一定的范围有扩大或缩小的趋势。因此，原模型可能有异方差性。 原始模型的估计 原始模型的估计结果 通过模型估计得到的残差序列 生成新序列e2 Workfile中可见e2 E2的数据序列值 生成新序列LX Workfile中可见LX 生成新序列le2 Workfile中可见le2 用残差平方和的自然对数(le2)对解释变量的自然对数(lx)回归 用残差平方和的自然对数(le2)对解释变量的自然对数(lx)回归结果 对Park检验的说明 Park检验主要是寻找残差项的平方的自然对数lne2和自变量lnx（即原始模型的一个解释变量的自然对数）之间是否有线性关系，如果有则说明原始模型存在异方差性，如果没有则通过了异方差检验。 要特别注意的是此处lne2中的e2是原始模型利用样本数据回归后产生的残差平方。因为在eviews操作中，在做其它（非原始模型）回归时，就会将首先得到的原始模型残差覆盖掉，这时一定要重新回归一次原始模型，以便得到的残差符合park检验的要求。 4.White检验 可以通过残差项是否有异方差性检验的通过概率来判断异方差的程度。 White异方差的假设检验为： 原假设：无异方差 备择假设：有异方差 怀特（white）异方差检验过程中，构造一个?2 统计量（类似于t、F统计量），通过样本信息求得的结果为?2 =nR2 ，其中，n是样本容量，R2是怀特检验工具模型（即描述残差取值与解释变量之间关系的模型）的拟合优度。 White检验的模型形式 如果（原）回归模型为： 则无交叉项的 White异方差检验的形式为： 有交叉项的 White异方差检验