Eviews数据统计与分析教程6章.pptVIP

* EViews统计分析基础教程 第6章 基本回归模型的OLS估计 重点内容： 加权最小二乘法（消除异方差） 广义最小二乘法（消除序列相关和异方差） 广义矩估计 一、加权最小二乘法（WLS） 1.异方差问题的解决 当线性回归模型出现异方差时，所得到的估计量是非有效的。用加权最小二乘法（WLS）可以解决异方差问题。 基本思路： 赋予每个观测值残差不同的权数，从而使得回归模型的随机误差项具有同方差性。 一、加权最小二乘法（WLS） 1.异方差问题的解决 基本原理： 设一元线性方程为 yt =β0 +β1xt +μt 如果随机误t差项的方差Var(μt)与解释变量成比例关系，即 Var(μt) = σt2 = f(xt)×σ2 说明随机误差项的方差与解释变量xt之间存在相关性，即存在异方差问题。 一、加权最小二乘法（WLS） 1.异方差问题的解决 消除方法： 用 乘以一元线性方程的两端，得 yt = β0 + β1xt + μt 则，Var( μt) = E( μt)2 = E(μt)2 = σ2 从而，消除了异方差，随机误差项同方差。这时再用普通最小二乘法（OLS）估计其参数，得到有效的β0，β1估计量。