违背经典假定的回归模型.pptVIP

§7.1 异方差诊断及改进方法 Q1：什么是异方差性？ Q2：产生异方差性的原因有哪些？ 实际问题是非常错综复杂的，因而在建立实际问题的回归分析模型时，经常会出现某一因素或一些因素随着解释变量观测值的变化而对被解释变量产生不同的影响，导致随机误差项产生不同方差。通过下面的几个例子，我们可以了解产生异方差性的背景和原因。 【例7.1】按照差错—学习模式，当人们学习时，动作上出现的差错随时间的增加而逐渐减少。如在某一时期内测验打字差错数（Y）与打字实习小时数（X）之间的关系。随着打字实习小时数的增加，打字差错平均字数及它们的方差不是不变的，而是随之减少的。这个模型中就出现了异方差。 在上式的模型中，因为各户的收入不同，消费观念和习惯的差异，导致消费的差异非常大，模型中存在明显的异方差性。一般情况下，低收入的家庭购买差异性较小，大都购买生活必需品；但是高收入的家庭购买行为差异就很大，高档消费品很多，房子、汽车的规格选择余地也很大，这样购买金额的差异就很大；导致消费模型的随机误差项具有不同的方差。 Q3：异方差性会导致哪些后果？ 当模型中存在异方差时，参数 的方差将大于在同方差条件下的方差。如果用普通最小二乘法估计参数，将出现低估 的真实方差的情况。进一步将导致回归系数的检验值高估，可能造成本来不显著的某些回归系数变成显著。这将给回归方程的应用效果带来一些影响。 1.参数估计量虽是无偏的，但不是最小方差线性无偏估计 2.参数的显著性检验失效 3.回归方程的应用效果极不理想，或者说模型的预测失效。 §7.1.2 异方差性的诊断及改进方法 Q1:回归模型中异方差性的检验方法有哪些? 在EViews软件包中，直接给出了以ei 为纵坐标，以观测时间或序号为横坐标的残差图。 如果回归模型适合于样本数据，那么残差ei 应反映ui 所假定的性质，因此可以根据ei 来判断回归模型ui 是否具有某些性质。一般情况下，当回归模型满足所有假定时，以ei为纵坐标的残差图上n个点的散布应是随机的、无任何规律。 （二）戈德菲尔德－匡特检验（样本分段比检验） 首先将样本按某个解释变量的大小顺序排列，并将样本从中间截成两段；然后各段分别用普通最小二乘法拟合回归模型，并分别计算各段的残差平方和。 由此可构造出检验统计量为 该统计量服从自由度为(n1-k)和(n2-k)的Ｆ分布。在给定的显著性水平α之下，若此Ｆ统计量的值大于临界值 则可认为有异方差的存在。 等等，并检验回归系数 是否为０。 设原假设为 备择假设为 , 应用t 检验判断，如果 ，则有异方差。这种方法不仅能检验出模型中存在的异方差，而且把异方差的表现形式找出来便于后面改进时使用。 对于两个解释变量的回归模型 第二步，做如下的辅助回归 Q2:处理异方差性的方法主要有哪些? 当我们所研究的问题存在异方差性时，就违背了线性回归模型的经典假定。此时，就不能用普通最小二乘法进行参数估计，必须寻求适当的补救方法，对原来的模型进行变换，使变换后的模型满足同方差性假定，然后进行模型参数的估计，就可得到理想的回归模型。在EViews中通常是采用加权最小二乘法(wls)来消除异方差性。 我们考虑一元线性回归模型 由于 如果模型的其他假定条件都满足，则前述模型就变成满足经典假定的回归模型了，就可利用普通最小二乘法估计参数，得到的估计量是最佳线性无偏估计量。 （二） 未知时 如果 是未知的，一般情况下，我们可根据误差与解释变量或被解释变量的关系来确定变换的权数。一般我们先采用戈里瑟检验方法确定 ei 与Xi 之间的关系。 即将前述模型变为 2．如 之间为线性关系，则可认为 这时，选择1/Xi为权数，可将原始模型变换为如下模型： 实际案例及EViews应用 EViews操作 1、建立回归方程 回归方程为y=b0+b1*x 命令为ls y c x 2、图形法检验 以自变量为横坐标，以残差估计值为纵坐标根据散点图直观判断是否存在相关 菜单操作：在x和resid的组窗口点view/graph/scatter/simple scatter 命令：scat x resid 得到右窗口 3、怀特(Whi