6 广义最小二乘法(LS)与异方差.ppt

  六、案例——中国农村居民人均消费函数 计算F统计量： F= / =0.2792/0.0648=4.31 查表： 给定?=5%，查得临界值 F0.05(9,9)=2.97 判断： F F0.05(9,9) 否定两组子样方差相同的假设，从而该总体随机项存在递增异方差性。 （3）怀特检验 作辅助回归: （-0.04 (0.10) (0.21) (-0.12) (1.47) (-1.11) R2 =0.4638 似乎没有哪个参数的t检验是显著的 。但 n*R2 =31×0.4638=14.38 ?=5%下，临界值 ?20.05(5)=11.07，拒绝同方差性。 去掉交叉项后的辅助回归结果： (1.36) (-0.64) (0.64) (-2.76) (2.90) R2 =0.4374 lnX2、(lnX2)2的参数的t检验是显著的，且： m =n R2 =31? 0.4374=13.56 ?=5%显著性水平下，临界值 ?20.05(4)=9.49，拒绝同方差的原假设。 EViews中，在回归结果输出窗口中点击：View/Residual Tests/White Heteroskedasticity，然后查看Obs*R的伴随概率P值，如果大于显著性水平就是同方差的，反之是有异方差的。 * * * 参数非线性 当模型为参数非线性形式时，需要采用非线性估计技术。 非线性模型的一般形式为： ——Yi = f(Xi, b) + ei ——式中f(.)为一个可微分的非线性函数，b为（K+1）×1未知参数向量，X为 n ×(K+1） 解释变量矩阵，e为服从某种形式统计分布的误差项（通常用正态分布）。 此时我们无法将待估计参数表示为由已知的X和Y表示的线性函数，这种情况被称作参数非线性。 * 关于C-D生产函数的残差加性项形式： * NLS估计技术 非线性最小二乘法（NLS） -——以残差平方和最小为标准获得参数估计 ——通常基于误差项满足正态分布的假定 ——一般计量经济软件有标准的指令和算法 * NLS估计技术 ——用最小二乘法估计非线性回归方程的原理与估计线性回归方程相同，即求解使残差平方和最小的参数； ——对于线性函数，模型参数可以通过求解由一阶条件构成的方程组估计得出； ——对于非线性方程，我们常常无法确保得到估计参数的解析解，但通常能够利用数值逼近方法得到方程组的近似解。 此时估计参数可能不是唯一的，并且存在收敛困难。 * 求解非线性方程组的常用方法： ——线性化迭代求解法(Iterative linearization method)，即从一组参数的初始值开始将非线性函数线性化，然后求解线性方程组并得到新的估计值；重复上述步骤直到估计结果达到收敛标准或达到最大迭代次数时为止。 NLS估计技术 * ——注意：NLS方法并不能够保证总是收敛到最优解，可能出现的情况有：收敛速度缓慢、收敛到局部最优解、估计系数出现发散情况 ——收敛到错误结果时，R2可能出现负值。 ——在应用工作中，当遇到上述情况时，一种做法是改变初始值，然后重新进行迭代求解过程。 NLS估计技术 Chapter 6 广义最小二乘法(GLS) 与 异方差(Heteroskedasticity) 主要内容 一、GLS法原理 二、异方差的来源及后果 三、异方差的检验 四、消除异方差和估计模型 五、EViews的应用 六、案例 一、广义最小二乘法（GLS） 1、模型：Y = X β+ u β的OLSE 特性：线性性、无偏性、方差最小不成立。 2、GLS 原理 Y = X β+ u Var (u) = σu2Ω= σu2 P P （P为非奇异阵） 以P-1 左乘原模型： P-1 Y = P-1 X