计量经济学（第三版）（谢识予）计量三6.pptVIP

第6章 本章讨论线性回归模型误差项的异方差和序列相关问题，以及多元模型解释变量的多重共线性问题。 这些问题的存在也会导致线性回归分析的性质和作用受到很大影响。 本章将分别讨论这三种问题的影响、原因、发现判断和处理方法，以及回归分析方法的相关扩展。 第一节 异方差 第二节 误差序列相关 第三节 多重共线性 第一节 异方差 一、异方差及其影响 二、假性异方差 三、异方差的发现和判断 四、异方差的克服和处理 一、异方差及其影响 异方差可以表示为 或 两变量线性回归模型的异方差 异方差性的原因以及影响 普遍性：两类数据都有，横截面数据更多。 原因：波动、不确定性与经济规模的比例关系 ——赚钱越多，消费的选择余地越大。 自回归条件异方差。 影响：最小二乘估计的有效性和价值有问题，最小方差性不成立。 二、假性异方差 有些定式误差也会表现出异方差的特征 例：真实关系为 ，其中 满足线性回归模型所有假设，包括 和 。 如果误以为模型为 ，那么 若记 则 三、异方差的发现和判断 （一）残差序列分析 （二）戈德菲尔德-夸特检验 （三）戈里瑟检验 （一）残差序列分析 (a) (b) (c) (d) (e) (f) （二）戈德菲尔德-夸特检验 统计量： 如果 ，误差项存在明显的递增异方差性； 如果 ，误差项没有明显的异方差性。 （三）戈里瑟检验 异方差的戈里瑟检验 （三）戈里瑟检验 通常拟合 和 之间的回归模型： 根据图形中的分布选择 还可以拟合 和 之间的回归模型 四、异方差的克服和处理 如线性回归模型为 经检验，误差项有如下异方差性 可以用 除模型各项，得到 四、异方差的克服和处理 新模型的误差项方差为 对新模型进行最小二乘估计的残差平方和 WLS 加权最小二乘法 在上述公式中的 = 理解成权重，则构成了“加权最小二乘法” 例6-1 在研究某地区居民的储蓄倾向时，得到了如表6-1的数据资料。判断用线性回归模型研究居民储蓄倾向时，误差项是否存在异方差，以及处理的方法。 散点图 该模型的误差项可能存在递增型异方差。为此考虑进一步采用戈-夸检验法加以确证。因为数据的序号本身就是按照变量的大小顺序排列的，因此我们把其中的前11组数据和最后11组数据，分别构成一个子样本并进行回归，得到两条回归直线分别为 各自的回归残差平方和分别为 根据这两个残差平方和，计算出检验异方差的统计量为 第二节 误差序列相关 一、问题的性质和原因 二、发现和判断 三、误差序列相关的处理和克服 一、问题的性质和原因 线性回归模型假设要求 对任意 都成立 误差序列相关比较基本和重要类型——一阶自回归（为什么重视一阶自回归？）： 其中 满足 二、发现和判断 （一）残差序列图分析 误差序列相关性分析 二、发现和判断 分析误差序列相关残差分布图 二、发现和判断 （二）杜宾-瓦森检验 DW检验的原理 对线性回归模型 如果误差项有一阶自回归问题，那么 其中的 ， 是均值为0的独立同分布随机变量。 二、发现和判断 根据 和 的性质，有 因此 二、发现和判断 考虑与 有密切关系的DW统计量 =0（无一阶自回归性）对应DW=2， →1（误差项有强正自相关）对应DW→0， →-1（误差项有强负自相关）对应DW→4。 DW的精确分布实际上也不清楚，而且分布情况与解释变量的取值有关。 但杜宾和瓦森证明对于解释变量的任意情况，DW统计量有一个上限和一个下限，在一定条件下它们服从beta分布。 二、发现和判断 检验误差序列正自相关性——DW检验区域图 一阶自相关 无法判断 无一阶自相关性 无法判断 一阶负自相关 例6-2 设一个两个解释变量的线性回归模型，各个变量的数据如表6-2所示，且已经通过最小二乘估计得到了回归残差序列，也在表6-2中给出。要求检验该模型是否有误差序列相关问题。 表6-2 数据及回归残差序列表 三、误差序列相关的处理和克服 （一）一阶差分法 （二）广义差分法 （三）柯-奥迭代法 （四）杜宾两步法 （一）一阶差分法 设线