[数学]4异方差2012-5-20.pptVIP

回归分析，是在对线性回归模型提出若干基本假设（6个）的条件下，应用普通最小二乘法得到了最佳、线性、无偏的参数估计量。 多元线性回归模型的基本假定 为了使参数估计量具有良好的统计性质，对多元线性回归模型可以做出类似于一元线性回归分析那样的若干基本假设。 假设1：模型设定是正确的。 假设2：解释变量是非随机的或固定的，且各X之间互不相关（无多重共线性）。 假设3：随着样本容量的无限增加，解释变量X的样本方差趋于一有限常数。 假设4：随机误差项具有零均值、同方差及不序列相关性 但是，在实际的计量经济学问题中，完全满足这些基本假设的情况并不多见。 如果违背了某一项基本假设，那么应用普通最小二乘法估计模型就不能得到无偏的、有效的参数估计量，OLS法失效，这就需要发展新的方法估计模型。 基本假设违背主要 包括： 随机误差项序列存在异方差性； 随机误差项序列存在序列相关性； 解释变量之间存在多重共线性； 解释变量是随机变量且与随机误差项相关； 模型设定有偏误； 被解释变量的方差不随样本容量的增加而收敛。 一般经验，对于采用截面数据作样本的计量经济学问题，由于不同样本点上解释变量以外的其他因素的差异较大，所以往往存在异方差。 2.当计量模型存在异方差时,OLS估计量不再是有效估计量 现在求 2、变量的显著性检验失去意义 1、直观图示检验法 （1）用X-Y的散点图进行判断（估计后判断） 看是否存在明显的散点扩大、缩小或复杂型趋势（即不在一个固定的带型域中） 案例4.1 某地区全体居民在31年中个人收入X (单位:万元) 及个人储蓄Y(单位:万元)资料如下表所示: 图示检验法观察异方差。 2、计算检验法：该方法的共同思路 由于异方差性就是相对于不同的解释变量观测值，随机误差项具有不同的方差。那么： 问题在于如何获得随机误差项 （从总体带来的）的方差 从而可进一步考察其与X的相关性及其具体的形式。 看是否形成一斜率为零的直线 案例3.1,观察X— 的散点图。 例：对案例4.1进行G-Q检验 命令输入: SORT X SMPL 1 11 LS Y C X 即进行回归并求出RSS1=150867.9 SMPL 21 31 LS Y C X 即进行回归并求出RSS2=809628.2 计算F=RSS2/RSS1=809628.2/150867.9=5.3665, 取α=0.05,查F分布表得F0.05（11-2,11-2）=3.18,而F=5.3665 F0.05=3.18,所以模型中存在（递增）异方差。 针对案例4.1,一种简洁高效的方法： 在命令输入窗口键入： LS Y C X GENR LNE2=LOG（RESID^2) GENR LNX=LOG(X) LS LNE2 C LNX 自己设定并检验e与X间的函数关系式。 （5）、怀特（White）检验 White检验由H.White1980年提出。Goldfeld-Quandt检验必须先把数据按某一被认为有可能引起异方差的解释变量观测值的大小排列。White检验不需要对观测值排序，它是通过一个辅助回归式构造 统计量进行异方差检验。以二元线性回归模型： 例：对案例4.1进行White检验 对案例3.1可能存在的异方差进行Spearmam相关系数检验。 1、WLS的思路 由于WLS中的权数，或者说原模型中随机扰动项 的方差与解释变量 间的适当的函数形式是估计出来的，因此这一类估计方法也被称为广义最小二乘法（GLS）或者可行的广义最小二乘法（FGLS），广义最小二乘法具有渐近BLUE的特性（因为加权后的方程具有了渐近同方差性）。 WLS估计的Eviews软件的实现以案例1为例：由于不知ei与Xi之间具体的函数关系。 在Eviews软件中实现WLS时，可用前述方法笼统设定ei与k个X之间的函数关系；也可以通过Park或Glejser检验来精确确定某个（某几个）X与ei之间的关系，从而确定权数。具体操作过程为： （1）生成权数变量。 （2）使用WLS估计模型，具体方法有两种： 本章完 。 把个人收入X按从小到大排列，并略去中心9个观察值，剩下的观察值分别按较低的X值和较高的X值分成两个子样本，如下表： （3）、帕克(Park)检验 基本思想:偿试建立方程： 选择关于变量X的不同的函数形式，对方程进行估计并进行显著性检验，如果存在某一种函数形式，使得方程显著成立，则说明原模型存在异方差性。 帕克检验常用的函数形式： （4） 以例4.1 : 四、异方差的修正—加权最小二乘法Correcting Heteroscedasticity—Weighted Le