-第六章-异.ppt

最小二乘估计的回归残差平方和服从卡方分布，因此用上述两个残差平方和可以构造统计量 其中 表示对应较小 样本的残差平方和。 则表示对应较大 样本的残差平方和，c是去掉的中间部分样本数目。 * bjhk 这个F 统计量服从两自由度为 的F分布。 若给定显著性水平 ，则可以从F 分布表中查出对应上述自由度的临界值 。 如果计算到的F 统计量值 ，则可认为两个残差平方和之比明显大于1，误差项存在明显的递增异方差性。 * bjhk 如果 ，则认为误差项没有明显的异方差性。事实上F 越大，则表明异方差性越严重。 检验递减异方差性的方法是相似的。只要把前面构造的F统计量的分子分母互换，就完全可以用同样的程序检验模型是否存在递减型异方差问题。 对于复杂形态的异方差性，戈-夸检验无法应用。 * bjhk 三、戈里瑟检验 戈-夸检验有一个缺点，就是无法确定异方差的具体模式，即方差是如何随解释变量或样本序数而变化的。 由于异方差的具体模式对于克服异方差有重要作用，因此戈-夸检验这方面的弱点对它的价值有很大影响。 “戈里瑟（Gleiser）检验”或与它相似的其他检验方法，在识别、确定异方差类型方面比戈-夸检验更有效，但在判断异方差的存在性方面也许略微不如戈-夸检验。 * bjhk 戈里瑟检验的思路是：模型误差项的异方差性会在回归残差序列的分布中反映出来，通常表现为随解释变量（或某个解释变量）变化的某种规律性。 因为方差与误差项的符号无关，因此考察 的分布情况。那么在存在明显异方差性时， 会有明显的随解释变量变化的趋势。 * bjhk 图6.3 异方差的戈里瑟检验 * bjhk * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl * hjkh l;kl 第六章 异方差 * bjhk 第一节 异方差及其影响 第二节 异方差的发现和判断 第三节 异方差的克服和处理 本章结构 * bjhk 第一节 异方差及其影响 一、异方差及其分类 二、异方差的危害 * bjhk 一、异方差及其分类 两变量和多元线性回归模型第三条假设都要求误差项是同方差的，就是误差项的方差是常数，即 不随i 变化。 如果这条假设不满足，这时候称线性回归模型存在“异方差”或“异方差性” 。 异方差可以用图6.1中对应解释变量不同观测值 和 的误差项，分布密度函数形状不同加以反映。 * bjhk 图6－1 两变量线性回归模型的异方差 * bjhk 图6.1中对应线性回归模型误差项的方差 随着 或i 的增大而增大，这种异方差称为“递增异方差”，是异方差最常见的类型。 但也有方差变化趋势与上述相反的“递减异方差”，或者先增后减或先减后增的其他复杂类型的异方差。 * bjhk 异方差的本质特征是误差项波动幅度的变化。一般来说，随着经济变量数值的增大，波动幅度往往也会相应的增大。 这一方面是因为随机因素的作用有随着经济变量数值的增大而增大的可能，另一方面也可能是随机性因素本身的变化规律作用的结果，此外也可能是观测和统计误差随着经济变量数值的增大而放大的结果。这些因素最终都可能导致线性回归模型误差项异方差问题。 * bjhk 由于数据和随机误差项性质的差异，一般来说异方差问题在截面数据的线性回归分析中更加常见，在时间序列数据中则相对要少一些。 值得注意的是，当线性回归模型存在解释变量缺落、函数形式不准和参数改变等模型定式误差问题时也会表现出与异方差相似的特征，容易与由误差项变动幅度变化引起的真正异方差混淆。 * bjhk 例如两个变量有真实关系 其中误差项满足线性回归模型的所有假设。 但如果误以为Y 和X 之间的关系是： 并认为 ，那么 * bjhk 若记 ，则 因此 是 的函数，即模型表现出异方差性。 这种异方差本质上与误差项波动变化的异方差是不同的，是模型误差项均值非零的系统偏差导致的，我们称这种异方差为“假性的”。 * bjhk 二、异方差的危害 异方差对以最小二乘估计为核心的线性回归分析的作用和价值有严重影响。 异方差虽然不会影响最小二乘估计的无偏性，但最小二乘估计量方差的估计和最小方差性，都是