03第三章 异方差性和自相关.pptVIP

第三章　异方差性和序列相关 在前面讨论的回归模型中都有一些基本的假定。只有当一个回归模型满足经典假定条件时，才能得到一个较好的估计。然而，在研究实际的社会经济等问题时，经常会遇到一些违背经典假定的情况。 在这些情况下，如果直接用普通最小二乘法建立模型，会得到很不理想的结果。因此,如何处理这些问题，就是我们需要面对的问题。 第三章 异方差性和序列相关 主要内容: 第一节 异方差性 第二节 序列相关 第一节　异方差性 根据四川省2000年21个地市州医疗机构数与人口数资料，分析医疗机构与人口数量的关系，建立卫生医疗机构数与人口数的回归模型。对模型估计的结果如下： 式中 Y 表示卫生医疗机构数（个），X 表示人口数量（万人）。 模型显示的结果和问题 一、异方差性的概念和产生的原因 异方差性: 在线性模型的基本假定中，关于方差不变的假定不成立，其他假定不变的情形称为异方差性。 【例1】按照差错—学习模式,当人们学习时，动作上出现的差错随时间的增加而逐渐减少。如在某一时期内测验打字差错数（Y）与打字实习小时数（X）之间的关系。随着打字实习小时数的增加，打字差错平均字数及它们的方差不是不变的，而是随之减少的。这个模型中就出现了异方差。 在式（3.3）的模型中，因为各户的收入不同，消费观念和习惯的差异，导致消费的差异非常大，模型中存在明显的异方差性。一般情况下，低收入的家庭购买差异性较小，大都购买生活必需品；但是高收入的家庭购买行为差异就很大，高档消费品很多，房子、汽车的规格选择余地也很大，这样购买金额的差异就很大；导致消费模型的随机误差项具有不同的方差。 二、异方差产生的后果 当一个回归模型中的随机误差项存在异方差时，是否可以继续使用普通的最小二乘法？倘若我们仍然使用，将会产生什么样的后果？ 当模型中存在异方差时，普通最小二乘估计存在以下问题。 3.回归方程的应用效果极不理想，或者说模型的预测失效。 一方面，由于上述后果，使得模型不具有良好的统计性质；另一方面，在预测值的置信区间中也包含有随机误差项共同的方差 。所以，当模型出现异方差性时，它的预测功能失效。 三、异方差性的检验 对于异方差性的检验，人们进行了大量的研究，提出的诊断方法已有十多种，但没有一个公认的最优方法，下面介绍几种常见的方法。 在EViews软件包中，直接给出了以ei 为纵坐标，以观测时间或序号为横坐标的残差图。 如果回归模型适合于样本数据，那么残差ei 应反映ui 所假定的性质，因此可以根据ei 来判断回归模型ui 是否具有某些性质。一般情况下，当回归模型满足所有假定时，以ei 为纵坐标的残差图上的n 个点散布应是随机的、无任何规律。 进行等级相关系数检验通常有三个步骤： 第一步，作Y 关于X 的普通最小二乘估计，求出ui 的估计值，即ei 的值。 如果 ，则可以认为异方差性问题不存在，如果 ，说明 Xi 和 之间存在系统关系，则说明模型中存在异方差。 在多元的情况下，需对每一个解释变量做等级相关系数检验。只有当每个解释变量检验都不存在异方差时模型中才不存在异方差。否则，模型中存在异方差。 （三）戈德菲尔德－匡特(Goldfeld-Quandt)检验（样本分段比检验） 首先将样本按某个解释变量的大小顺序排列，并将样本从中间截成两段；然后各段分别用普通最小二乘法拟合回归模型，并分别计算各段的残差平方和。 由此可构造出检验统计量为 该统计量服从自由度为(n1-k)和(n2-k)的Ｆ分布。在给定的显著性水平 之下，若此统计量Ｆ的值大于临界值 则可认为有异方差的存在。 等等，并检验回归系数 是否为０。 设原假设为 备择假设为 ，应用t 检验判断，如果， 则有异方差。这种方法不仅能检验出模型中存在的异方差，而且把异方差的表现形式找出来便于后面改进时使用。 对于两个解释变量的回归模型 （3.8） 第二步，做如下的辅助回归 （六）ARCH检验 我们考虑一元线性回归模型 由于 如果