元线性回归模型常见问题及解决方法.pptVIP

* * * * * * * * 随机解释变量问题 多元线性回归模型 若cov(Xi,εi)≠0,即扰动项与解释变量无关性假设不成立，则最小二乘估计量的无偏性和一致性也不成立。该解释变量具有内生性。 假设E(εi?Xi)=?i * * * * * 对于多元线性回归模型，其矩阵形式为 Y=Xβ+μ 假设X2与随机误差项相关，用工具变量Z替代。采用工具变量法得到的正规方程组为 Z’Y=Z’Xβ 参数估计量为 * 其中 对于没有选择另外的变量作为工具变量的解释变量，可认为用自身作为工具变量。Z称为工具变量矩阵。 * 解释变量的内生性检验 回归模型基本假设要求随机解释变量与随机误差项至少不存在同期相关性，即随机解释变量至少是同期外生变量。 豪斯曼(Hausman)给出一个检验随机解释变量是否为同期外生变量的方法。 * * * 序列相关性产生的原因 经济变量故有的惯性（物价指数，消费） 模型设定的偏误 数据的编造 （由已知数据生成） * (一)经济变量故有的惯性 消费函数模型： 消费习惯没有包括在解释变量中，其对消费的影响包含在随机误差项中，产生序列相关性。 * (二)模型设定的偏误 模型设定偏误指所设定的模型不正确，表现为遗漏了重要解释变量或模型函数形式有偏误。 如应估计模型 但将模型设定为 * 序列相关性的检验 序列相关性检验的思路：首先采用普通最小二乘法估计模型，以求得随机误差项的近似估计量，用 表示： 然后通过分析这些近似估计量之间的相关性，以达到判断随机误差项是否具有序列相关性的目的。 序列相关性的检验方法有：回归检验法、D.W.检验法、冯诺曼比检验法等。 * 回归检验法 以 为被解释变量，以各种可能的相关量，如 等为解释变量，建立各种方程： …… 对方程进行估计并进行显著性检验，如存在某一种函数形式，使方程显著成立，则说明原模型存在序列相关性。 * D.W.检验法 D.W.检验由杜宾(J. Durbin)和瓦森(G. S. Watson)于1951年提出，用于检验序列自相关。 D.W.检验的假定条件是： (1)解释变量X非随机； (2)随机误差项μt为一阶自回归形式： μt=ρμt-1+εt * (3)回归模型中不含有滞后因变量作为解释变量，即不出现以下形式： (4)回归模型含有截距项。 D.W.检验的原假设为：H0: ρ=0，即μt不存在一阶自回归。 * 构造统计量： 该统计量的分布与给定样本中的X值有复杂关系，其精确分布很难得到。 * 但可导出临界值的上限dU与下限dL，且上下限只与样本容量n和解释变量的个数k有关，而与解释变量的取值无关。 根据样本容量n和解释变量的个数k查D.W.分布表，得到临界值dU和dL，按照下列准则判断模型的自相关状态： * 若0D.W.dL，则存在正自相关； 若dLD.W.dU，则不能确定； 若dUD.W.4-dU，则无自相关； 若4-dUD.W.4-dL，则不能确定； 若4-dLD.W.4，则存在负自相关。 * 如果存在完全一阶正相关，则ρ≈1，D.W.≈0； 如果存在完全一阶负相关，则ρ≈-1，D.W.≈4； 如果完全不相关，则ρ=0，D.W.=2； 从判断准则看，存在一个不能确定的D.W.值区域，这是该检验方法的一个缺陷。 D.W.检验只能检验一阶自相关，且对存在滞后被解释变量的模型无法检验。 * 序列相关性的修正 （1）回归模型选用不当，改用适当的回归模型。 （2）缺少重要的自变量，增加自变量。 （3）以上都不行，则采用广义最小二乘法、广义差分法。 * 广义最小二乘法 广义最小二乘法是最具有普遍意义的最小二乘法，普通最小二乘法和加权最小二乘法是它的特例。 对于模型 Y=Xβ+μ 若存在序列相关性，同时存在异方差性，即有 * 其中，Ω为对称正定矩阵，故存在一可逆矩阵D，使得 Ω=DD’ 用D-1左乘模型两边，得到新模型： D-1Y=D-1Xβ+D-1μ 即Y*=X*β+μ* * 由于 故，可用普通最小二乘法估计新模型，记参数估计量为 ，则 此即原模型的广义最小二乘估计量，是无偏、有效估计量。 * 由上可知，只要知道随机误差项的方差-协方差矩阵σ2Ω，就可采用广义最小二乘法得到参数的最佳线性无偏估计量。 * 矩阵?？ 下面的证明出自潘文卿李子奈版计量课后习题答案P62。 需要对随机误差项的自相关结构进行特殊设定，才能得到其估计值。一般假设随机误差项具有一阶序列相关性： μt=ρμt-1+εt; -1ρ1 此时， * 于是 * *