异方差性的解决方法.pptVIP

4.4.3 模型的对数变换 如果在模型yt=b0+b1xt+ut中，分别用lnyt、lnxt取代，对对数模型 lnyt=b0+b1lnxt+ut 进行回归通常可以降低异方差性的影响。 其原因在于（1）通过对数变换将两个数值之间原来10倍的差异缩小到只有2.3倍左右的差异。（2）经过对数变换后的线性模型，其残差et表示为相对误差，而相对误差往往具有较小的差异。 我国制造业利润函数中异方差性的调整。用GENR生成序列lny和lnx，即在光标处键入： GENR lny=log(y) GENR lnx=log(x) 如下图： 然后用OLS方法求lny对lnx的回归，其结果如下： Ln^yt=-1.755943+0.938913lnxt T=(-3.755902) (14.75602) R2=0.893329 F=217.7402 DW=2.4805 为了分析异方差性的校正情况，利用WLS估计出每个模型之后，还需要利用怀特检验再次判断模型是否存在异方差性，怀特检验结果如下： 4.4.4 广义最小二乘法 当计量经济学模型同时存在序列相关和异方差,而且随机误差项的方差-协方差矩阵未知时我们可以考虑使用广义最小二乘法(GLS)。即下列模型： 满足这样一些条件： 因为 4.4 异方差性的解决方法 所以，用xi除以原模型的两端，将模型变换成： 设: 则 （2）如果σi2 =D(εi)＝λxi ，因为 所以用xi的平方根除以原模型，得到： 设: 则 一般情况下，若D(εi)=λf(xi)，则以f(xi)的平方根除以原模型的两端，即可将原模型中的异方差性予以消除。 对于模型 yi=a+bxi+εi 若D(εi)＝σi2 ，用σi除以原模型两端，得 4.4.2 加权最小二乘法（WLS） 设: 则 使用OLS估计模型，应使得： 此时 若记: 并设: 则以上估计过程是使得: 由于在极小化过程中对通常意义得残差平方加上了权数ωi，所以称为加权最小二乘法（Weighted Least Square—WLS ）。 ωi有两个作用:一是权重，二是为了消除异方差。 注意权数的变化趋势应与异方差的变化趋势相反，通常将ωi直接取成1/σi2 。 模型变换法的实质就是WLS 例如，对于模型 yi=a+bxi+εi 如果σi2 =D(εi)＝λxi2，则模型变换成 用OLS估计，使得其残差平方和RSS1为： 而利用WLS估计模型时，因为权数： 比较RSS1和RSS2，两者只差一个常数因子1/λ，求极值过程中可略去，因此两种方法结果一样。 对残差平方和RSS2求极小值： 四、加权最小二乘估计的EViews软件实现 （1）利用原始数据和OLS法计算ei; （2）生成权数变量ωi ； （3）使用加权最小二乘法估计模型： 【命令方式】 LS(W=权数变量) Y C X 【菜单方式】 ①在方程窗口中点击Estimate按钮； ②点击Options，进入参数设置对话框； ③选定Weighted LS方法，在权数变量栏中输入权数变量，点击OK返回； ④点击OK，采用WLS方法估计模型。 （4）对估计后 q1模型，再使用White检验判断是否消除了异方差性。 根据怀特检验的结果可知，经过对数变换后的模型已不存在异方差性。 上式为广义最小二乘估计。从估计过程看出，GLS估计的基本思想就是对违反基本假定的模型做适当的线性变换，使其转化成满足基本假定的模型，从而可以使用OLS法模型。