第三章-经典假设条件不满足时的问题与对策.pptVIP

* （2）如果再减弱一点，我们只有Xt独立于相应的扰动项ut（即解释变量与扰动项同期无关），则无偏性不再成立，但一致性仍将成立。 * （3）若上述两条均不满足，即X和u相关，则OLS估计量既是有偏的，又是不一致的。这很容易从（3.30）式推出。因为 这意味着OLS不再是一个可以接受的估计量。在这种情况下，需要找出另外的估计量来解决这个问题。 * *二、 工具变量法 由上一段可知，当模型违背经典假设 ，即解释变量与随机扰动项相关时，用普通最小二乘法得到的参数估计量既不是无偏的，又不是一致的。因此必须寻求一种新的参数估计方法来解决这个问题。工具变量法（Instrumental Variables，IV）就是解决这个问题的方法。 （一）IV法的思路 对于线性回归模型 * 设解释变量中有 k1 与扰动项不相关的解释变量（外生变量），而另外 k2个解释变量与扰动项相关。也就是矩阵X包含k1 个与扰动项不相关的外生变量的观测值列，其中第一列与截距相对应，所有元素都是1。 X中还有k2个与扰动项u相关的解释变量的观测值列。为了方便下面的说明，我们将与扰动项相关的解释变量称为“问题变量”。 * 检验二阶自相关 结论：无二阶自相关 * 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，不存在可行的估计方法。因此需要做某种假设以简化问题，使得我们可以用很少的参数来表示 矩阵中的各协方差，估计出这些参数后，也就估计出了 矩阵。其中最著名的是假设扰动项的自相关模式为一阶自相关，我们下面就来讨论消除一阶自相关的方法。 * 对于模型 Y=X?+ ? 如果存在序列相关，同时存在异方差，即有 ?是一对称正定矩阵，存在一可逆矩阵D，使得 ?=DD’ * 变换原模型： D-1Y=D-1X ? +D-1? 即 Y*=X*? + ?* (*) (*)式的OLS估计： 这就是原模型的广义最小二乘估计量(GLS estimators)，是无偏的、有效的估计量。 该模型具有同方差性和随机误差项互相独立性： * 如何得到矩阵?？ 对?的形式进行特殊设定后，才可得到其估计值。 如设定随机扰动项为一阶序列相关形式 ?t=??t-1+?t 则 * * * * * 如果实际问题的自相关模式为一阶自相关，则只要知道ρ，就可以完全消除自相关，下面用双变量模型来说明，但同样的原理适用于多个解释变量的情形。 设 Yt = α+βXt+ ut （1） ut=ρut-1+εt 其中εt是白噪声，且ρ≠0。 （1）式两端取一期滞后，得 Yt-1 = α+βXt-1+ ut -1 （2） 2.广义差分法 * （2）式两端乘以ρ，得 ρYt-1 = αρ+βρXt-1 + ρut -1 （3） （1）-（3），得： Yt -ρYt-1 = α(1-ρ)+β(Xt-ρXt-1) + (ut -ρut -1)