多元线性回归模型的估计与假设检验.PPT

* 异方差的补救措施 (?i)2已知的加权最小二乘法（WLS） (?i)2未知时的变换 重新设定模型 * 加权最小二乘法（WLS） 假定(?i)2已知 考虑上述厂商的例子，假设模型具有异方差性 工资随着企业规模增加而增加，但是方差也随着增加 * 加权最小二乘法（WLS） 从一个基本的模型开始： Yi = b0 + b1Xi + ui Y = 工资 ， X = 企业规模 假设干扰项的真实方差(?i)2 是已知的 在模型两边除以标准差： Yi/ ?i = b0(1/ ?i) + b1Xi/ ?i + ui/?i 令 ： vi = ui/?i * 加权最小二乘法（WLS） 考察干扰项 Var(vi)= E[(vi)2] = E[(ui)2/(?i)2 ] = E(ui)2/(?i)2 = 1 因此，vi 是同方差的，对变换后的模型使用OLS 会得到参数的BLUE 估计 * 加权最小二乘法（WLS） 变换后的模型： Yi/ ?i = b0(1/ ?i) + b1Xi/ ?i + ui/?i 是一个无常数项回归！ Eviews命令： Ls Y/ ? 1/ ? X/ ? * 加权最小二乘法（WLS） 从直观上看，加权最小二乘法很简单，但是有一个重要的问题：如何知道或者如何找出真实的误差方差(?i)2 ？ 在经济计量学的研究中，有关误差方差的信息是极少的，因此，如果想要使用WLS方法，常借助于似乎可靠的关于(?i)2的假设，把原来的回归模型变换为能够满足同方差假定的模型，然后运用OLS法估计该模型。 * 例 在多项式回归中，常常会遇到多重共线性 我们可以将解释变量减去它的平均值，往往会减小多重共线性的程度 * 6、其他补救措施 时间序列数据和截面数据的结合 要素分析或主成分分析 岭回归法 逐步回归法 * 第七章 异方差 同方差假定：Var(ui)= σ u 2, i=1,2,…n 上式表明，各次观测值中u具有相同的方差，即各次观测所受到的随机影响的程度相同，称为等方差性。 违反假定：异方差 假设方差随着观测数据而变化 就得到异方差性（heteroskedasticity） var(ui) = (σi)2 随着观测数据而变化 * 问题 异方差的性质是什么？ 异方差的后果是什么？ 如何检验异方差的存在？ 如果存在异方差，有哪些补救措施？ * 异方差的性质 * 异方差的性质 异方差问题多存在于横截面数据中，在时间序列中出现较少。 规模效应：如果截面数据来自于一组规模差异很大的对象，在数据中就会存在异方差性。比如，小公司、中等的公司、大公司；低收入家庭、中等收入家庭、高收入家庭。 在时间序列数据中，变量趋于具有相似的数量等级。 * 例：工资与企业规模 平均工资随着厂商规模的增加而增加。见下表： * 工资与企业规模 我们能指望工资的方差是不变的吗？ 方差随着厂商规模的增加而增加 因此，厂商越大，支付的工资越多，但工资的变异性也更大（variability） * 例：储蓄与收入 储蓄随着收入增加而增加，储蓄和支出的变异性也随着增加 随着收入增加，人们具有更多的可以自由支配的收入，因此具有处置收入的更大的选择余地。 * 例：学习 由于学习，人们的行为误差越来越小，方差将逐渐减小。 随着打字时间的增加，每小时的打字错误逐渐减小。 错字率 时间 * 异方差的后果 OLS估计量仍然是线性的 OLS估计量仍然是无偏的 但无论是对大样本，还是小样本，OLS估计量不再具有最小方差性。也就是说，OLS估计量不再是有效的。 根据常用估计OLS估计量方差的公式得到的方差通常是有偏的。 因此，建立在t分布和F分布之上的置信区间和假设检验是不可靠的。 * 异方差的检验 根据问题的性质 残差的图形检验 Park test Glejser test Goldfeld-Quandt test White检验 * 1、根据问题的性质检验 所考察问题的性质往往提供是否存在异方差的信息。 例如：根据Paris和Houthakker关于家庭预算的开创性著作，发现在消费对收入的回归中，残差方差随收入的增加而增加。现在一般相类似的调查研究通常假设不同随机干扰项的方差不等。 * 根据问题的性质检验 事实上，在涉及不均匀单位的横截面数据中，异方差可能是常有的情况而不是例外。 例如：在与销售、利率等相关的投资支出的横截面数据分析中，如果把小、中、大型公司聚集在一起加以抽样，就很可能存在异方差。 在对与产出相关的平均成本的横截面数据研究中，如果样本包括小、中和大型公司，也可能存在异方差。 * 2、残差的图形检验 干