第4章-经典单方程计量经济学模型-放宽基本假定的模型-课件.pptVIP

第4章 经典单方程计量经济学模型：放宽基本假定的模型 2、判明存在多重共线性的范围 (1) 判定系数检验法 使模型中每一个解释变量分别以其余解释变量为解释变量进行辅助回归（Auxiliary Regression），并计算相应的拟合优度。 如果某一种回归Xji=?1X1i+?2X2i+??LXLi的判定系数较大，说明Xj与其他X间存在共线性。 可以构造F检验： 在模型中排除某一个解释变量Xj，估计模型； 如果拟合优度与包含Xj时十分接近，则说明Xj与其它解释变量之间存在共线性。 (2) 排除变量法(Stepwise Backward Regression ) * §4.1 异方差性Heteroscedasticity 一、异方差的概念 二、异方差性的后果 三、异方差性的检验 四、异方差的修正 五、例题 一、异方差的概念 即对于不同的样本点，随机误差项的方差不再是常数，而互不相同，则认为出现了异方差性(Heteroskedasticity)。 1、异方差 Homoscedasticity 2、异方差的类型 同方差：?i2 = 常数，与解释变量观测值Xi无关； 异方差：?i2 = f(Xi)，与解释变量观测值Xi有关。 异方差一般可归结为三种类型： 单调递增型： ?i2随X的增大而增大 单调递减型： ?i2随X的增大而减小 复 杂 型： ?i2与X的变化呈复杂形式 3、实际经济问题中的异方差性 例4.1.1：截面资料下研究居民家庭的储蓄行为 Yi=?0+?1Xi+?i Yi:第i个家庭的储蓄额 Xi:第i个家庭的可支配收入。 高收入家庭：储蓄的差异较大； 低收入家庭：储蓄则更有规律性，差异较小。 ?i的方差呈现单调递增型变化 二、异方差性的后果 Consequences of Using OLS in the Presence of Heteroskedasticity 1、参数估计量非有效 2、变量的显著性检验失去意义 3、模型的预测失效 三、异方差性的检验Detection of Heteroscedasticity 四、异方差的修正—加权最小二乘法Correcting Heteroscedasticity—Weighted Least Squares, WLS 在实际操作中通常采用的经验方法 采用截面数据作样本时，不对原模型进行异方差性检验，而是直接选择加权最小二乘法。 如果确实存在异方差，则被有效地消除了； 如果不存在异方差性，则加权最小二乘法等价于普通最小二乘法。 采用时间序列数据作样本时，不考虑异方差性检验。 一、序列相关性的概念 二、序列相关性的后果 三、序列相关性的检验 四、具有序列相关性模型的估计 §4.2 序列相关性 Serial Correlation 一、序列相关性的概念 1、序列相关性 模型随机项之间不存在相关性，称为：No Autocorrelation。 以截面数据为样本时，如果模型随机项之间存在相关性，称为：Spatial Autocorrelation。 以时序数据为样本时，如果模型随机项之间存在相关性，称为：Serial Autocorrelation。 习惯上统称为序列相关性（Serial Correlation or Autocorrelation）。 2、实际经济问题中的序列相关性 没有包含在解释变量中的经济变量固有的惯性。 模型设定偏误（Specification error）。主要表现在模型中丢掉了重要的解释变量或模型函数形式有偏误。 数据的“编造”。 时间序列数据作为样本时，一般都存在序列相关性。 截面数据作为样本时，一般不考虑序列相关性。 二、序列相关性的后果Consequences of Using OLS in the Presence of Autocorrelation 与异方差性引起的后果相同： 参数估计量非有效 变量的显著性检验失去意义 模型的预测失效 三、序列相关性的检验Detecting Autocorrelation 1、检验方法的思路 2、图示法 3、回归检验法 4、杜宾-瓦森（Durbin-Watson）检验法 四、序列相关的补救—广义最小二乘法（GLS: Generalized least squares）—广义差分法(Generalized Difference) 应用软件中的广义差分法 在Eview/TSP软件包下，广义差分采用了科克伦-奥科特（Cochrane-Orcutt）迭代法估计?。 在解释变量中引入AR(1)、AR(2)、…，即可得到参数