在eviews中如何估计非线性tsls.pptVIP

如果估计过程收敛，EViews会报告这一事实及迭代的次数。如果迭代过程不收敛，EViews会报告经过某个迭代次数尝试后没有收敛。 在描述收敛语句下面，EViews会重复非线性方程说明，很容易理解被估计模型的系数。 EViews会提供回归模型所有常用的统计量。如果模型收敛，标准统计量结果和检验都是渐近有效的。 * * 第十四章 其他回归方法 本章讨论加权最小二乘估计，异方差性和自相关一致协方差估计，两阶段最小二乘估计（TSLS），非线性最小二乘估计和广义矩估计（GMM）。这里的大多数方法在“联立方程系统”一章中也适用。 线性回归模型的基本假设 i = 1 , 2 , … , n 在普通最小二乘法中，为保证参数估计量具有良好的性质，通常对模型提出若干基本假设： 1．解释变量之间互不相关； 2．随机误差项具有0均值和同方差。即 i = 1 , 2 , … , n 即随机误差项的方差是与观测时点t无关的常数； 3．不同时点的随机误差项互不相关（序列不相关），即 4．随机误差项与解释变量之间互不相关。即 5．随机误差项服从0均值、同方差的正态分布。即 ~ 当随机误差项满足假定1 ~ 4时，将回归模型称为“标准回归模型”，当随机误差项满足假定1 ~ 5时，将回归模型称为“标准正态回归模型”。如果实际模型满足不了这些假定，普通最小二乘法就不再适用，而要发展其他方法来估计模型。 j = 1 , 2 , … , k , i = 1 , 2 , … , n i = 1 , 2 , … , n s ≠ 0, i = 1 , 2 , … , n 古典线性回归模型的一个重要假设是总体回归方程的随机扰动项 同方差，即他们具有相同的方差 。如果随机扰动项的方差随观测值不同而异，即 的方差为 ，就是异方差。用符号表示异方差为 。 异方差性在许多应用中都存在，但主要出现在截面数据分析中。例如我们调查不同规模公司的利润，会发现大公司的利润变化幅度要比小公司的利润变化幅度大，即大公司利润的方差比小公司利润的方差大。利润方差的大小取决于公司的规模、产业特点、研究开发支出多少等因素。又如在分析家庭支出模式时，我们会发现高收入家庭通常比低收入家庭对某些商品的支出有更大的方差。 §14.1 加权最小二乘估计 212.30 270.09 212.46 255.53 252.37 255.79 337.83 255.65 266.48 346.75 258.56 388.79 369.54 384.49 640.56 5000.79 5084.64 5127.08 5380.08 5412.24 5434.26 5466.57 6017.85 6042.78 6485.63 7110.54 7836.76 8471.98 8773.10 8839.68 新 疆 河 北 四 川 山 东 广 西 湖 南 重 庆 江 苏 云 南 福 建 天 津 浙 江 北 京 上 海 广 东 159.60 137.11 231.51 172.65 193.65 191.76 197.04 176.39 185.78 206.91 227.21 201.87 237.16 214.37 265.98 4009.61 4098.73 4112.41 4206.64 4219.42 4220.24 4240.13 4251.42 4268.50 4353.02 4565.39 4617.24 4770.47 4826.36 4852.87 甘 肃 山 西 宁 夏 吉 林 河 南 陕 西 青 海 江 西 黑龙江 内蒙古 贵 州 辽 宁 安 徽 湖 北 海 南 CUM IN 地区 CUM IN 地区 交通和通讯支出 可支配收入 变量 交通和通讯支出 可支配收入 变量 表1 中国1998年各地区城镇居民平均每人全年家庭可支配收入及交通和通讯支出 单位：元 我们研究人均家庭交通及通讯支出(CUM)和可支配收入(IN )的关系，考虑如下方程： CUM=B0 + B1IN + ui 利用普通最小二乘法，得到如下回归模型： CUM= -56.917+ 0.05807*IN