计量经济学及其应用：第6章要点.pptVIP

（3）White检验 在输出回归结果的界面下，View/Residual Tests，选择White Heteroskedasticity (no cross terms)或者White Heteroskedasticity ( cross terms)，本例选 (no cross terms)。输出结果如下所示。 表6-5 White检验输出结果 从上图可知，卡方统计量Obs*R-squared对应的P值为0.030715，因此，可以在5%的显著水平下，拒绝原假设，认为模型存在异方差性。变量REG对应的P值为0.0632，在10%显著水平下不为零；变量PRICE对应的P值为0.369，未通过显著性检验。由此，可以认为REG为引起异方差的主要原因。 （4） 异方差的纠正 加权最小二乘法 我们采用最常用的权重，由上图已经看出引起异方差的主要原因是变量REG的水平值，因此可以认为随机干扰项的方差与REG成比例，由此根据式（6-15）取权重为 ，并运用加权最小二乘法对原模型进行估计。在输出表6-2结果的界面下首先点击Estimate，然后再点击Option按钮，就会出现一个对话框，在该对话框下勾选Weighted LS/TSLS，并在权重Weight对应的空白处键入 ，如图6-5所示。接着点击“OK”,然后在出现如图2-4的对话框中再点击“OK”出现，就会得到如表6-6所示的加权最小二乘法估计的结果。 图6-5 WLS对话框 最终得到加权最小二乘法的估计方程为 表6-6 WLS结果 在输出表6-2结果的界面下，点击Estimate，将“PCON REG PRICE c”改为“log(PCON) log(REG) log(PRICE) C”，点击“OK”，便得到如下的回归结果。 对上述结果进行White检验，结果如下所示： 表6-7 对数变换后的估计结果 可以发现，此时模型已不存在异方差性。可见对变量取对数确实可以消除异方差性。值得一提的是log(REG)与log(PRICE)前面的系数表示的是弹性而非边际。 White检验结果 若有问题，请大家提出讨论！ 谢谢！ 为何其他统计量都与书上一致，DW统计量不一致？ * 第6章 异方差性 通过本章我们要知道 6.1什么是异方差性 6.2异方差性会产生什么后果 6.3异方差性的诊断 6.4如何消除异方差性 6.5案例分析 引子 在以截面数据研究家庭人均年收入与人均食品支出之间关系的时候，假定两者为线性关系，有如下模型： 其中， 表示人均食品支出， 表示人均年收入。在其他条件不变的情况下，随着收入水平 的提高，随机干扰项的方差也会发生变动。普通最小二乘法失效。 6.1什么是异方差性 异方差性：经典线性回归模型的基本假设之一随机干扰项的同方差性不成立，即至少有一个 ，使得 ，模型即存在异方差性（heteroskedasticity）。 类型： 1、单调递增：以截面资料研究居民家庭的储蓄行为，建立储蓄函数 2、单调递减：边错边改的学习模型 3、复杂型：以截面数据为样本建立居民消费函数 6.2异方差的后果 异方差的产生原因 1、模型中缺少某些解释变量 2、测量误差 3、异常值的出现 4、采用截面数据时，不同样本点上解释变量以外的其他因素差异较大 异方差产生的后果 1、参数估计量非有效（但仍为线性无偏的） 2、t检验和F检验失效（一般会低估存在的异方差，从而夸大参数的显著性） 3、模型预测失效 6.3异方差的诊断 1、图示法 在无异方差性的假定下作回归分析，作出 散点图，观察其是否呈现任何系统性的样式。 图 6-1 散点图的假象样式 2、 Goldfeld-Quant检验法 适用的情况是： （1） 样本容量较大，观测值的数目一般不低于参数个数的两倍； （2） 除了同方差假定之外，古典线性回归模型的其它假定是满足的； （3）异方差的类型是单调型，即有 。 检验思路： （1）由于同方差的方差之比趋近于1，递增型异方差的方差之比大于1，而递减型异方差的方差之比小于1。 （2）因此可将样本分为两个部分，再对这两个部分的子样本分别进行回归，然后用两个部分子样本残差平方和之比构造一个 统计量进行异方差检验。 具体步骤 （1）将n对观察值 按解释变量 的大小顺序由小到大排列； （2）将其中间的 个观察值除去，将余下的