[经济学]4违背基本假定问题1.ppt

第四章 经典单方程计量经济学模型：放宽基本假定的模型Relaxing the Assumptions of the Classical Model 基本假定违背主要 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的随机解释变量问题； 模型设定有偏误； 解释变量的方差不随样本容量的增而收敛。 计量经济检验：对模型基本假定的检验 本章主要学习前4类 §4.1 异方差性； §4.2 序列相关性； §4.3 多重共线性； §4.4 随机解释变量问题； §4.1 异方差性Heteroscedasticity 一、异方差的概念 2、异方差的类型 同方差：?i2 = 常数，与解释变量观测值Xi无关； 异方差：?i2 = f(Xi)，与解释变量观测值Xi有关。 异方差一般可归结为三种类型： 单调递增型： ?i2随X的增大而增大 单调递减型： ?i2随X的增大而减小 复 杂 型： ?i2与X的变化呈复杂形式 3、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。 二、异方差性的后果 Consequences of Using OLS in the Presence of Heteroskedasticity 1、参数估计量非有效 三、异方差性的检验Detection of Heteroscedasticity 1、检验思路 检验方法很多 1.图示法: 帕克检验(Park Test) 戈里瑟检验(Glejser Test) G-Q检验(Goldfeld-Quandt Test) 怀特检验(White’s General Heteroscedasticity Test) 共同的思路： 由于异方差性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。那么检验异方差性，也就是检验随机误差项的方差与解释变量观测值之间的相关性及其相关的“形式”。 问题在于用什么来表示随机误差项的方差？一般的处理方法：首先采用OLS估计，得到残差估计值，用它的平方近似随机误差项的方差。 4、戈德菲尔德-匡特(Goldfeld-Quandt)检验 G-Q检验以F检验为基础，适用于样本容量较大、异方差递增或递减的情况。 先将样本一分为二，对子样①和子样②分别作回归，然后利用两个子样的残差平方和之比构造统计量进行异方差检验。 由于该统计量服从F分布，因此假如存在递增的异方差，则F远大于1；反之就会等于1（同方差）或小于1（递减方差）。 5、怀特（White）检验 说明： 辅助回归仍是检验与解释变量可能的组合的显著性，因此，辅助回归方程中还可引入解释变量的更高次方。 如果存在异方差性，则表明确与解释变量的某种组合有显著的相关性，这时往往显示出有较高的可决系数以及某一参数的t检验值较大。 在多元回归中，由于辅助回归方程中可能有太多解释变量，从而使自由度减少，有时可去掉交叉项。 四、异方差的修正—加权最小二乘法Correcting Heteroscedasticity—Weighted Least Squares, WLS 1、WLS的思路 3、模型变换（Transformation） 对原模型进行OLS估计，得到随机误差项的近似估计量ěi； 寻找ěi2与Xi之间的关系； 利用该关系对原模型进行变换； 对变换后的模型进行OLS估计。 4、White’s Heteroscedasticity-Consistent Variances and Standard Errors 应用软件中推荐的一种选择。适合样本容量足够大的情况。 仍然采用OLS，但对OLS估计量的标准差进行修正。 与不附加选择的OLS估计比较，参数估计量没有变化，但是参数估计量的方差和标准差变化明显。 即使存在异方差、仍然采用OLS估计时，变量的显著性检验有效，预测有效。 5、在实际操作中通常采用的经验方法 采用截面数据作样本时，不对原模型进行异方差性检验，而是直接选择加权最小二乘法。 如果确实存在异方差，则被有效地消除了； 如果不存在异方差性，则加权最小二乘法等价于普通最小二乘法。 采用时序数据作样本时，不考虑异方差性检验。 五、例题--中国农村居民人均消费函数☆ 一、序列相关性的概念 二、序列相关性的后果 三、序列相关性的检验 四、具有序列相关性模型的估计 五、例题 一、序列相关性的概念 1、序列相关性 模型随机项之间不存在相关性，称为：No Autocorrelation。 以截面数据为样本时，如果模型随机项之间存在相关性