三经典假设条件不满足时的问题与对策.pptVIP

第三章 经典假设条件不满足时的问题及对策 OLS估计量令人满意的性质，是根据一组假设条件而得到的。在实践中，如果某些假设条件不能满足，则OLS就不再适用于模型的估计。下面列出实践中可能碰到的一些常见问题： 第一节 误设定 采用OLS法估计模型时，实际上有一个隐含的假设，即模型是正确设定的。这包括两方面的含义：函数形式正确和解释变量选择正确。在实践中，这样一个假设或许从来也不现实。我们可能犯下列三个方面的错误： 选择错误的函数形式 遗漏有关的解释变量 包括无关的解释变量 从而造成所谓的“误设定”问题。 实际经济问题中的异方差性 例4.1.1：截面资料下研究居民家庭的储蓄行为 Yi=?0+?1Xi+?i Yi:第i个家庭的储蓄额 Xi:第i个家庭的可支配收入 赤池信息准则和施瓦茨准则 为了比较所含解释变量个数不同的多元回归模型的拟合优度，常用的标准还有: 赤池信息准则（Akaike information criterion, AIC） 对于模型 Y=X?+ ? 如果存在序列相关，同时存在异方差，即有 如何得到矩阵?？ 注意： 广义差分法就是上述广义最小二乘法，但是却损失了部分样本观测值。 如：一阶序列相关的情况下,广义差分是估计 3.随机误差项相关系数的估计 应用广义最小二乘法或广义差分法，必须已知随机误差项的相关系数?1, ?2, … , ?L 。 实际上，人们并不知道它们的具体数值，所以必须首先对它们进行估计。 常用的估计方法有： 应用软件中的广义差分法 在Eview软件包下，广义差分采用了科克伦-奥科特（Cochrane-Orcutt）迭代法估计?。 在解释变量中引入AR(1)、AR(2)、…，即可得到参数和ρ1、ρ2、…的估计值。 其中AR(m)表示随机误差项的m阶自回归。在估计过程中自动完成了ρ1、ρ2、…的迭代。 （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。 施瓦茨准则（Schwarz criterion，SC） 这两准则均要求仅当所增加的解释变量能够减少AIC值或AC值时才在原模型中增加该解释变量。 1985-2007中国城镇居民家庭人均生活消费支出与人均可支配收入 检验二阶自相关 结论：无二阶自相关 检验一阶自相关 结论：无一阶自相关 1985-2007中国农村居民家庭人均生活消费支出（cr）与人均纯收入（yr） Eviews 创建工作文件，输入数据并进行回归： Create a 1985 2007 data cr yr pr Genr crp=cr/pr*100 Genr yrp=yr/pr*100 ls crp c yrp 经检验，有二阶自相关： Breusch-Godfrey Serial Correlation LM Test: F-statistic 17.67030 ????Prob. F(2,19) 0.0000 Obs*R-squared 14.95813 ????Prob. Chi-Square(2) 0.0006 采用广义差分法消除自相关： Ls crp c yrp ar(1) ar(2) 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，