[工学]第二章异方差性.pptVIP

有异方差的直方图 异方差性的一般介绍 特点：经典线性回归模型假设回归扰动项是同方差的，在实际进行回归拟合时也需要这个假定，如果回归扰动项不满足这个条件，即回归扰动项的方差随着自变量的不同而不同，就存在异方差。 异方差的后果 1，Ols估计量仍然是线性的 2，ols是无偏的 3，ols不具有最小方差性 4，方差的ols估计通常是有偏的 异方差的修正 异方差的修正原则是把异方差转化为同方差，通常可以用加权最小二乘法，在eviews中提供了这种方法。 可能发生异方差的数据： 对于同一时点上的截面数据，通常容易产生异方差性，这主要是由于每个个体的情况不一样而导致其各自偏离均值的差异不同。 模型简介 以下采用2001年我国各省，市，自治区的国内生产总值gdp和最终消费com来估计我国的消费函数，这是一个典型的截面数据，从中可以看出模型有很大的异方差性。 数据说明： 数据单位为亿元，数据来源于中国经济信息网 2 操作过程 根据凯恩斯理论中的消费函数形式，建立下列回归方程： 对上面的模型进行回归其结果如下： 1，操作过程 2，回归结果 异方差的定量检验 可以通过残差项是否有异方差性检验的通过概率来判断异方差的程度 说明 异方差检验的形式为： 原假设：无异方差 备择假设：有异方差 可以看出无异方差的相伴概率几乎为零，所以存在异方差。 判断异方差的第一种方法 观察残差项的直方图，图中显示残差项在一定的范围聚集，并且其高度明显不同，不满足残差项是随机项的要求，即残差项随时间不规则的上下跳动，而图则没有表现出这种随机性。判断回归是否有异方差性，观察直方图是其中的一种方法。 操作过程的一些说明 由于每进行一次回归，其残差项会随时改变，所以在使用残差项时应该实时的保存残差项的数据，以免数据改变。 判断异方差的第二种方法 Park检验 对回归结果的残差项做下面的回归方程 对Park检验的说明 Park检验主要是寻找残差项的平方和自变量gdp是否有线性关系，如果有则说明回归结果有异方差性，如果没有则通过了异方差检验。 结果分析 可以看出回归结果拟合的效果不是很好，即常数项不特别显著，去掉常数项 ，再进行回归拟合，操作过程和结果如下： 结果分析 可以看出，回归结果满足一般线性回归的大部分条件(去了拟合优度不是很好外，其他的都得到了改善) ，即可以认为残差项和最终消费有下面的关系 进一步说明 只要回归残差项和自变量有着某种显著的线性或非线性的关系，我们都有理由怀疑原回归结果具有异方差性。 判断异方差性的第三种方法 Glejser检验：这种方法和第二种方法差别不大，它是用残差项的绝对值对gdp做回归来检验模型的异方差性。 Glejser检验的几种形式 一般有以下四种形式 第一种形式的操作过程和结果 结果分析 回归结果的常数项不是特别显著，可以考虑去掉常数项进行回归,以便进行对比。 一点说明 从结果看出，在没有改变回归结果的总体拟合优度的情况下，去掉常数项得到了更好的回归结果，但是由于拟合优度值不是很大，可以认为这种关系并不是很好，可以寻找其他可替代的形式（如果有的话）。 第二种形式的操作过程和结果 各项指标基本达到要求 再看去掉常数项的情况 结果分析 很明显，去掉常数项后模型的拟合优度成为负数，所以这种形式不应该去掉常数项。 第三种形式的操作过程和结果 各项指标的基本情况 从结果可以看出：常数项明显的不显著，可以去掉常数项来观察结果的变化情况。 结果分析 去掉常数项后结果得到明显的改善。 第四种形式的操作过程和结果 各项指标的基本情况 拟合优度非常低，并且变量不是很显著，可以认为这个方程的拟合不合适。考虑去掉常数项的情况。 结果分析 去掉常数项后方程拟合优度为负，所以可以认为残差项基本上和1/gdp不存在线性相关关系。 以上四种情况的总结 综合上面的四种情况，当然你也可以拟合出其他的形式，比较其中最好的一种来进行加权最小二乘。本例可以采用第一种形式。 异方差的处理方法 相应的有二种方法来处理异方差问题 1，对Park检验的处理 2，对Glejser检验的处理 一些说明 对于以上的两种检验异方差的方法，我们看到目的都是为了找到残差项和回归自变量的一种关系，只要这种关系很显著，就认为方程存在异方差，通过这个方程可以找到进行加权最小二乘法的权重，从而可以进行加权最小二乘发进行回归拟合。 具体过程 我们只对Park检验的结果进行分析，对于Glejser检验可以通过同样的过程进行分析。 以下是对Park检验的具体过程。 权重的确定 Park检验的结果为： Park检验结果的变换 由回归结果有 权重 通过上式可以认为 为方差的近似估计，因此把原方