《EViews软件使用指南》课件-第04章 其他回归方法.ppt

二阶段最小二乘方法（two stage least square，TSLS）本质上属于工具变量法，它包括两个阶段： 第一个阶段，找到一组工具变量，模型中每个解释变量分别关于这组变量作最小二乘回归； 第二个阶段，所有变量用第一个阶段回归得到的拟合值来代替，对原方程进行回归，这样求得的回归系数就是TSLS估计值。可以证明二阶段最小二乘估计量是一致估计量。 不必担心TSLS估计中分离的阶段，因为EViews会使用工具变量技术同时估计两个阶段。令 Z 为工具变量矩阵，y 和 X 是因变量和解释变量矩阵。则二阶段最小二乘估计的系数由下式计算出来： 系数估计的协方差矩阵为： 其中 s2 是回归标准差（估计残差协方差）。 使用二阶段最小二乘估计，打开方程说明对话框，选择Method中的TSLS估计。随着选择的变化，方程对话框也会发生变化，包括一个工具变量列表对话框。 输入工具变量时，应注意以下问题： 1. 使用TSLS估计，方程说明必需满足识别的阶条件，即工具变量的个数至少与方程的系数一样多。参见Davidson和MacKinnon(1994)和Johnston和DiNardo(1997)的讨论。 2. 根据经济计量学理论，与扰动项不相关的解释变量可以用作工具变量。 3. 常数c是一个合适的工具变量，如果忽略了它，EViews会自动把它加进去。 TSLS估计结果： 下面我们利用中国1978?2000的宏观数据计算城镇居民消费增量D(cs)关于城镇居民收入增量D(inc) 和利率D(rate) 、居民消费价格 D(cpi) 的OLS估计： 注意到，利率D(rate) 和居民消费价格 D(cpi)与残差相关，于是采用TSLS估计。工具变量选择c、 D(cs(-1)) 、D(cpi(-1)) 、D(rate (-1)) 、D(inc (-2)) 、D(tax) 。 §4.3 非线性最小二乘估计 经典的计量经济学模型理论与方法是在线性模型的基础上发展、完善起来的，因而线性计量经济学模型领域的理论与方法已经相当成熟。但是，现实经济活动并不都能抽象为线性模型，所以非线性计量经济学模型在计量经济学模型中占据重要的位置，关于它的理论与方法的研究是计量经济学理论与方法研究的一个广泛的领域。 假设回归方程为： 其中f 是解释变量和参数 ? 的函数。最小二乘估计就是要选择参数 ? 的估计值 b 使残差平方和最小： 如果 f 关于参数的导数不依赖于参数?，则我们称模型为参数线性的，反之，则是参数非线性的。例如， 是参数线性的，f 关于参数的导数与参数? 无关。 而 其函数的导数仍依赖于参数?，所以它是参数非线性的。对于这个模型，没有办法使用普通最小二乘估计来最小化残差平方和。必须使用非线性最小二乘估计技术来估计模型参数。 非线性最小二乘估计根据参数 ? 的估计值 b 选择最小化残差平方和。最小化的一阶条件是： 其中 G(b) 是 f (X, b) 关于b 的导数。 估计协方差矩阵为： 关于非线性估计的详细讨论，参见Pindick和Rubinfeld (1991, 231 - 245页) 或Davidson和MacKinon(1993)。 即 令 估计非线性最小二乘模型很简单，对于任何系数非线性的方程，EViews自动应用非线性最小二乘估计，会使用迭代算法估计模型。 1. 说明非线性最小二乘估计 对于非线性最小二乘模型，必须使用直接包含系数约束的EViews表达式以方程形式来说明。可以使用缺省系数向量C中的元素(例如，c(1), c(2), c(34), c(87) ) ，也可以定义使用其它系数向量。例如： Y=c(1)+c(2)*(K^c(3)+L^c(4)) 就是缺省系数向量C的4个元素从c(1)到c(4)。 例4.6：如果设定例3.1中的消费函数为非线性形式： （4.3.11） 其中：cst 是实际居民消费，inct 是实际可支配收入。利用我国1978年～2002年的年度数据估计此非线性方程，由于用迭代法计算，首先要赋初值，比如可以设 ?3 的估计值 b3 初值是1，则可以利用OLS估计