不同类型数据特点及其估计方法.docVIP

不同类型数据特点及其估计方法 　　从时空维度着眼，可以将计量经济学的应用数据分为三类：一是横截面数据；二是时间序列数据；三是纵向数据或面板数据。 　　 　　一、横截面数据(Cross-sectional data) 　　 　　1.横截面数据的概念、特点及其问题。横截面数据是指在某一时点收集的不同对象的数据。它对应同一时点上不同空间(对象)所组成的一维数据集合，研究的是某一时点上的某种经济现象，突出空间(对象)的差异。横截面数据的突出特点就是离散性高。横截面数据体现的是个体的个性，突出个体的差异，通常横截面数据表现的是无规律的而非真正的随机变化。即计量经济学中所谓的“无法观测的异质性”。在分析横截面数据时，应主要注意两个问题：一是异方差问题，由于数据是在某一时期对个体或地域的样本的采集，不同个体或地域本身就存在差异；二是数据的一致性，主要包括变量的样本容量是否一致、样本的取样时期是否一致、数据的统计标准是否一致。 　　2.横截面数据异方差性的检验与修正。异方差性的检验。对异方差的检验大多集中于线性模型情形，检验方法很多。主要的检验异方差性的方法有：图示检验法、等级相关系数检验法、戈里瑟检验(Glejser Test)、巴特列特检验、布鲁奇-培根检验(The Breusch-Pagan Test)、戈德菲尔德-匡特检验(The Goldfeld-Quandt Test)、沃特检验(Wald Test)、拉格朗日乘数检验、似然比检验、怀特(White)大样本检验等。这些检验方法在性能上各有优劣，互为补充，在具体操作时宜结合使用，相互验证，不应单凭个别检验结论做出歧视性或排他性的断言。 　　3.异方差性的修正。(1)已知Ω时使用加权最小二乘法(WLS)。对于线性回归模型y=xβ+ε，其GLS估计量为。考虑最一般的情况：，则Ω=;对原模型进行变换(y*=py,x*=px;其中p=Ω-1/2)并应用OLS进行估计得到加权最小二乘(WLS)估计量：，其中WI=1/WI。 　　(2)Ω含有未知参数的估计方法 　　①两阶段GLS法。首先估计OLS残差估计量。OLS残差，由于，可构造一个回归，。因此，近似地有，该回归模型表明可将OLS残差平方作为因变量以估计某些未知参数。如果得到Ω中未知参数的估计量，即可使用FGLS(Feasible GLS)对原模型进行参数估计，可得到一致的估计量。 　　然后把代入原模型的GLS估计量中得到：。 　　②最大似然估计(MLE)。考虑异方差的一般化模型，令，其中θ为Ω中未知参数的向量，是某个协变量zi的函数，。对数函数可变换为： 　　对该函数分别对βδ2、θ取偏导并求期望，可得到渐近有效的参数估计量。 　　 　　二、时间序列数据(Time-series data) 　　 　　1.时间序列数据的概念、特点及其问题。时间序列数据是指对同一对象在不同时间连续观察所取得的数据。它着眼于研究对象在时间顺序上的变化，寻找空间(对象)历时发展的规律。利用时间序列作样本时，要注意几个问题：一是所选择的样本区间内经济行为的一致性问题；二是样本数据在不同样本点之间不可比，需要对原始数据进行调整，消除其不可比因素；三是样本观测值过于集中，因而时间序列数据不适宜于对模型中反映长期变化关系的结构参数的估计；四是模型随机误差的序列相关问题。 　　2.时间序列数据序列相关性的检验与修正。(1)时间序列数据序列相关性的检验。计量经济学模型一旦出现序列相关性，如果仍采用OLS估计模型参数，则会产生与异方差类似的诸多不良后果：OLS参数估计量虽仍具有无偏性，但不具有有效性；变量显著性检验失去意义；模型的预测失效。关于序列相关性检验的主流的检验方法有三种：一是德宾-沃森(Durbin-Watson)型检验；二是冯-诺曼(Von-Neumann)比检验；三是逐次回归检验。其他的检验方法还包括有图示检验法、布罗施-戈弗雷检验、博克斯-皮尔斯检验等。 　　(2)时间序列数据序列相关性的修正。①已知Ω时的估计方法。A、广义最小二乘(GLS)估计法。如果Ω为已知，GLS估计量为，样本方差。对于AR(1)过程，，对原模型数据进行变换(y*=py,x*=px)后再次使用OLS方法对参数进行估计，估计结果已消除序列相关性。 　　对于高阶自回归过程的参数估计方法类似，但变换过程越来越复杂。同样地，对于高阶MA过程和ARMA过程均可通过GLS近似地估计，这里不再做详细介绍。 　　B、最大似然估计(MLE)。如果扰动过程的参数已知，AR(1)模型可使用最大似然方法进行估计。为得到正态分布扰动的似然函数，我们利用：。基于变换后的y*,x*()，对数似然函数为： 　　对函数求偏导即可得到参数β,的估计量。 　　②自回归条件异方差(A