第三章 经典假设条件不满足时的问题与对策概念.ppt

的方差—协方差矩阵的估计值由下式给出： 如果Z和X两矩阵的维数相同，即X中每个变量仅有一个工具，则上式变为： 其中 的估计量 为 式中N为观测值数目，K为解释变量的个数（包括常数项）。 （三）工具变量估计的缺点 （1）IV估计量的方差要比OLS估计量的方差大。原因很简单，因为只有问题变量中变差的一部分（与工具变量相一致的那部分变差）被用于产生斜率估计值，用到的信息少，方差自然就大了。这部分变差越大，说明问题变量与其工具的相关程度越大，IV估计量的方差就越小，采用工具变量的效果越好。应该认识到，IV估计量的高方差，是为了避免采用OLS法而造成的渐近有偏问题而付出的代价。 （2）如果选取的工具变量与问题变量的相关程度低，则IV估计值不可信赖。这个缺点比仅有高方差更为严重。 针对DW检验法的上述缺陷和限制，计量经济学家提出了不少检验扰动项自相关的方法，其中用得最广泛的是布鲁奇（T. S. Breusch）和戈弗雷（L. G. Godfrey）在20世纪70年代末期提出的方法，该方法也被称为拉格朗日乘数法（LM法）。 布鲁奇和戈弗雷的思路是用原模型的OLS残差et对et-1以及原模型中的诸解释变量进行回归，检验统计量是nR2，它在原假设（et-1的系数为0）下的分布是自由度为1的 分布。 A式中诸X也可以包括滞后因变量。 布鲁奇－戈弗雷检验法解决了DW法的缺陷和限制，用起来也不复杂。该方法的优势在于它不仅可检验一阶自相关，而且很容易推广到高阶自相关的检验。 考虑回归模型 我们要检验的是： ， 即扰动项不存在任何阶数的自相关。 LM检验步骤如下： (1) 用OLS法估计A式，得到最小二乘残差； (2) 然后估计下面的方程： 计算R2值， （3）检验是否所有 的系数都等于0。这里通常不用F检验而用 检验，因为LM检验是大样本检验。检验统计量为 ，该统计量服从自由度为P的 分布，即 LM检验的缺点是，滞后长度P不能先验地确定，需要反复试，可以考虑用赤池和施瓦茨信息准则来选择滞后长度。 四、消除自相关的方法 从自相关的定义和所造成的后果来看，自相关与异方差性有很多类似之处。这不是偶然的，它们都涉及扰动项的方差-协方差矩阵等于 的假设条件遭到了破坏。因此可以将它们归为同一类问题：非球形扰动项（Non-spherical disturbances）。由于这个原因，消除自相关的方法也与异方差性类似，一是采用FGLS法，二是仍用OLS法，但使用方差-协方差矩阵的稳健估计值。 1. FGLS法 我们在上一节介绍时提到，FGLS法的核心是估计 矩阵。对于单纯异方差性的情况，只涉及主对角线元素的估计，结合实际问题提供的有关异方差性基本结构的信息，就有可能估计出 矩阵。自相关的情况下，需要估计的元素要多得多，事实上，由于 是对称矩阵，要估计的元素个数是 。在只有n个观测值的情况下，不存在可行的估计方法。因此需要做某种假设以简化问题，使得我们可以用很少的参数来表示 矩阵中的各协方差，估计出这些参数后，也就估计出了 矩阵。其中最著名的是假设扰动项的自相关模式为一阶自相关，我们下面就来讨论消除一阶自相关的方法。 如果实际问题的自相关模式为一阶自相关，则只要知道ρ，就可以完全消除自相关，下面用双变量模型来说明，但同样的原理适用于多个解释变量的情形。 设 Yt = α+βXt+ ut （1） ut=ρut-1+εt 其中εt是白噪声，且ρ≠0。 （1）式两端取一期滞后，得 Yt-1 = α+βXt-1+ ut -1 （2） （2）式两端乘以ρ，得 ρYt-1 = αρ+βρXt-1 + ρut -1 （3） （1）-（3），得： Yt -ρYt-1 = α(1-ρ)+β(Xt-ρXt-1) + (ut -ρut -1)