異質變異.ppt

非線性模型 第一類模型: 變數為非線性的，但未知參數是線性的。 Y=αLβK γ lnY=δ+βln(L)+γln(K) 多項式和互動變數 迴歸模型中的斜率為連續性的變化。 TC=α1+α2Q+α3Q2+α4Q3+e PIZZA=β1+β2AGE+β3Y+e = β2 :在某一個所得水準之下，預期比薩的支出會隨著年齡增加一歲而變動 β2 的量。 = β3 :在某一年齡之下，所得每增加＄1預期比薩支出會增加β3。 例: 隨著一個人年齡的增長，他們對於比薩的邊際偏好會減少。 這是一個所得的影響決定於年齡的例子 AGE × Y PIZZA=β1+β2AGE+β3Y+β4(AGE×Y) +e =β2+β4 Y AGE的影響取決於所得。 =β3+β4 Age 受到所得影響下預期比薩的支出，則決定於AGE。 下列兩條式子有何不同 Pizza=342.8848***-7.5756***AGE+0.0024***Y Pizza=161.4654-2.9774AGE+0.0091**Y-0.00016**(Y×AGE) AGE 本身不再是個顯著的解釋因素。 這表示AGE會透過與所得的互動來影響比薩的支出---也就是它會影響比薩的邊際支出傾向 估計 AGE 的邊際影響 異質變異（Heteroskedasticity） 異質變異對最小平方估計式的影響 最小平方估計式仍然是線性且不偏的估計式，但它不再是最佳線性不偏估計式(BLUE)。 通常以最小平方估計式所計算出的標準誤是不正確的。使用這些不正確的標準誤會誤導假設檢定。 1.殘差圖（Residual Plots） 如果誤差是同質變異的，在殘差裡不應該會有任何種類的類型（patterns）。 然而，當我們有一個以上的解釋變數時 ，估計的最小平方函數不容易被畫在一張圖上。 我們可以做的是畫出最小平方殘差相對於各解釋變數的圖。 2. The Goldfeld-Quandt 檢定 H0: homoskedasticity a. 將樣本分為大小大約相等的兩個子樣本。 若我們相信變異數與 Xt 有關，則應根據Xt 大小將觀察值分為兩類。 b. 計算每個子樣本的估計誤差變異數 及 。若兩個樣本之變異數相同的虛無假設不是真的, 那麼預期 會很大。 c. 計算 GQ= 若 GQ＞Fc (T1-K, T2-K) 拒絕變異數相同的虛無假設 若樣本一分為二, 則T1=T2=T /2。 一般化最小平方 ∴ 估計 LSE (1)(2) 可得到 自我相關（ Autocorrelation） 橫斷面資料（Cross-section data）:隨機樣本 誤差項彼此間互不相關。 時間序列資料（Time-series data）: 相鄰發生的誤差是有可能會彼此相關。 當相鄰發生的誤差項互為相關時， 稱為自我相關（autocorrelation）。 一階自我迴歸模型 AR(1) (4) 對最小平方估計式的影響 一個具有自我相關的方程式，若是忽略或沒有察覺到這一點，就會發生下列情形： 最小平方估計式仍然是線性不偏估計式，但它不再是最佳的。 最小平方估計式的標準誤不再是正確的 使用這些標準誤會誤導假設檢定。 一般化最小平方（GLS）會比最小平方提供給我們一個更窄、可透露多資訊的信賴區間。 只計算 (T-1)個變數，忽略第一個觀察值≠不偏 估計 ρ 轉換第一個觀察值 自我相關的檢定 Durbin Watson 檢定 The Bound Test H0: ρ= 0 ， H1:ρ≠0 若 DW 檢定與 LM 檢定不一致時？ DW 檢定導致型I錯誤。 LM 檢定導致型II錯誤。 注意: 1.Yt=β0+β1X1+ρet-1+νt，但 t=1,……,T e0=? (1)設定 e0=0 (2)忽略 e0 2.DW 檢定在有限樣本的情況下較精確。 LM 檢定適用在近似於大樣本的情況下。 3.若其中一個解釋變數為延遲變數Yt-1，則不適合用DW檢定。但LW檢定仍然可以用在這種情形之下。 4.在越多時間延遲的情況下，更適合用LM檢定。 用AR(1)誤差做預測 YT+1=β0+β1XT+1+eT+1 YT+1=β0+β1XT+1+ρeT+νT+1 *政治大學行政管理碩士學程共同必修課