Eviews第三次课资料讲义(.).pptVIP

Eviews软件的应用二 异方差性的检验和处理 异方差性的概念 经典线性回归模型假设回归扰动项是同方差的。如果回归扰动项不满足这个条件，即回归扰动项的方差随着自变量的不同而不同，就存在异方差。 不存在异方差的序列（线性图） 异方差逐渐增大的序列（线性图） 异方差逐渐减小的序列（线性图） 还有异方差的变化有其他规律或者没有规律的情形。 存在异方差对方程估计的影响 参数估计量满足无偏和一致性，不再满足有效性。 参数方差估计量有偏 。 回忆：推导参数估计量和方差估计量过程。 推导过程：简要过程参阅PindyckRubinfield的《计量经济模型与经济预测》；详细过程参见W. Greene的《计量经济分析》。 异方差性的检验 总体思路是检验随机误差项与解释变量观测值之间的相关性。（因为异方差性就是指在不同的样本点，随机误差项有不同的方差。） 有多种检验方法。 通常采用的原假设是“不存在异方差”，备择假设是“存在异方差”。 Park检验 Park认为随机扰动项的形式为 两边取对数， 令 Glejser检验 Goldfeld-Guandt检验（PR, p95） 考虑一元回归模型 将数据按自变量大小排列。 省略中间的d项观测值。 拟合两个回归模型。每个回归模型都有(N-d)/2个数据。 Goldfeld-Guandt检验 (续) 计算每个回归模型的残差平方和：ESS1（对应较小的x）和ESS2（对应较大的x） . 假设误差服从正态分布，且不存在序列相关，则 Breusch-Pagan检验(PR, p96) 用方程 做OLS回归，计算残差 ，并用这些残差估计 Breusch-Pagan检验 （续） 然后用方程 做回归。 如果 服从正态分布，那么在原假设下有 更一般，如果有p个变量，则服从自由度为p的 分布。 White检验（PR, p96） 用残差平方作为自变量，用原来的自变量和自变量的平方项作为新自变量。比如两个变量情形为 检验统计量为 k为除常数项外自变量的个数。 异方差性的处理（一） 异方差形式已知：（课本，p58－60） 如果在检验过程中通过某种方式已知 则使用 作为权重，使用加权最小二乘法。 异方差性的处理（二） 异方差形式未知的情形。 HC协方差（White） HAC协方差（Newey-West） 它只改变估计标准差，不改变参数的点估计。 原理省略（可以参考PR），Eviews提供。 处理异方差的实例 采用2001年我国各省，市，自治区的国内生产总值gdp和最终消费com来估计我国的消费函数，这是一个典型的截面数据，从数据中可以看出模型有很大的异方差性。 数据 数据说明： 数据单位为亿元，数据来源于中国经济信息网 2 只能从校园网访问。 模型 根据凯恩斯理论中的消费函数形式，建立下列回归方程： 用Eviews进行OLS估计 用Eviews进行White检验 White检验的缺点 White检验不具建设性。 即它无法估计残差方查的形式。 它一般只用于检验是否存在异方差。 Park检验 本例中Park检验回归方程的形式为 步骤 保存刚才OLS回归的残差。 用Park检验的方程进行估计。 回归结果 Estimation Command: LS LOG(RESID_EQ_OLS^2) LOG(GDP) C Substituted Coefficients: LOG(RESID_EQ_OLS^2) = 0.5218281156*LOG(GDP) + 5.844487688 处理异方差一（WLS） 计算 的估计值。 用 的估计值的平方近似 的方差。 利用Eviews的forecast功能计算 。 用 作为权重进行WLS。 异方差的处理二（方差一致估计） 估计结果对比 结果分析 仅有估计方差改变。 现在的方差的估计是一致的，可用于预测。 用该命令保存残差序列。 相当于用菜单操作…… forecast按钮 选择要预测变量 自动命名 预测区间 得到新序列 3.填入权重 2.在前一窗口点击option 1.建立一个新方程eq_wls 4.点击OK。 结果有所改善。 * * 854.6 1485.48 新疆 4582.61 9438.31 山东 223.52 298.38 宁夏 1357.47 2175.68 江西 197.79 300.95 青海 2225.23 4253.68 福建 674.42 1072.51 甘肃 2108.09 3290.13 安徽 10