金融计量学——复旦大学张宗新著ch3_定稿.doc

第三章 非典型回归模型及其应用 [学习目标] 熟悉异方差、多重共线性的检验方法； 了解广义矩（GMM）模型及其应用； 熟悉面板数据模型及其在金融计量中的应用； 掌握Logisitic 模型和Probit模型的应用。 在第二章中，我们介绍了经典回归模型及其应用，在利用经典模型进行估计时必须满足古典线性回归模型的基本假设前提。然而，一旦这些基本不能满足，经典模型的相关性质就不再存在。因此，对于一个金融计量模型而言，我们需要检验同方差、多重共线性等。对于非经典回归模型，在本章中我们还介绍了具有广泛应用的价值广义矩（GMM）模型、面板数据模型、Logisitic 模型和Probit模型及其中金融计量中的应用。 普通最小二乘假设的违背 如前所述，最小二乘回归具有一系列前提假设。判断是否满足最小二乘回归的假设是最重要的。在此，我们特别需要检验：（1）异方差性——导致不满足残差具有不变方差的假设； （2）自相关——导致不满足残差之间相互独立的假设； （3）多重共线性——导致不满足自变量之间不相关的假设。 在本节中，我们重点对违背最小二乘回归假设的这三种情况进行分析。 一、异方差性分析 （一）异方差问题 在第二章的多元线性回归模型中，随机扰动项满足同方差性的基本假定，即它们具有相同的方差。但如果随机扰动项的方差并非不变的常数，则称为异方差性（Heteroskedasticity），即指随机变量服从不同方差的分布。异方差性用公式表达为： （3.） 这里，对每一个样本点，随机误差项都是随机变量，随机变量服从不同方差的正态分布。 异方差性主要发生在横截面数据的情况，时间序列问题中一般不会发生，除非时间跨度特别大。在计量经济学中，产生异方差的原因有多种，比如模型中遗漏了某些解释变量，模型函数设定误差，样本数据的测定误差，以及随机因素的影响等等。一旦产生了异方差性问题，将对线性回归模型的参数估计、模型检验及模型应用带来重大影响，因此，我们必须准确识别异方差问题并对其进行合理处理。 （二）异方差检验 1、图示检验法 图示检验法有残差图分析和相关图分析两种方法。当然，图示检验法只能粗略地观测模型是否存在异方差性，当异方差性不太明显时还需要采取较为精确的检验方法。 残差图分析 残差图分析是在利用Eviews进行回归模型估计后，在方程窗口点击“Resids”按钮，直接在屏幕上看到残差分布图。如果残差分布图的区域逐渐变窄或变宽，或出现偏离带状区的复杂变化，则表明存在异方差性。 相关图分析 在建立模型时，为了判别模型的函数形式，一般要考察被解释变量Y和解释变量X的相关图。如图中随着X的增加，Y的分布的离散程度呈现逐渐增大（或缩小）的趋势，则表明模型存在递增型（或递减型）的异方差性。这是因为被解释变量的离散程度和随机波动项的离散程度相同的结果。 2、White检验怀特（White）提出的异方差的一般检验方法，具有简便有效的特点。假定模型为： （3.） White检验步骤如下： （1）首先应用OLS估计回归方程（3.1.3）,得到残差。 （2）然后进行辅助回归 即作残差平方对原来模型中所包含解释变量及其平方和交叉乘积项的回归。 （3）计算统计量值。 （3.） 这里，为样本容量，为自由度，为辅助回归函数中的决定系数。 （4）在的原假设下，服从自由度为5的分布。如果大于给定显著水平对应的临界值，则拒绝原假设，表明随机误差项中存在异方差。 举例说明， 2003年我国省（不包括省数据）的地区生产总值gdp和储蓄存款额s为了研究gdp对s的影响，建立回归模型，gdp为解释变量： 根据OLS，得到的参数估计结果如下： S = 141.469 + 0.732*GDP p= (0.659) (0.000) =0.852 F=167.833 在Eviews软件中，打开回归方程的对象，选择“Procs/Make Residual Series”，可以得到残差序列。分别画出残差与gdp，残差平方与gdp的图示，可以直观的看到，随着解释变量gdp的增加，残差的平方明显增大，存在着异方差的现象。 若进行White 异方差检验，由于此方程只有一个解释变量，辅助回归方程为： 选择“View/ Residual Tests/White Heteroskedasticity (No cross terms)”，可以得到辅助回归方程的估计值和White 异方差检验的结果： White Heteroskedasticity Test: F-statistic 20.97359 ????Probability 0.000003 Obs*R-squared 18.59064 ????Probability 0.0