异方差性的念、类型、后果、检验及其修正方法(含案例).ppt

在教材P29-32和P64-65，分别对一元和多元线性回归模型提出了若干基本假设，只有在满足这些基本假设的情况下，应用普通最小二乘法才能得到无偏的、有效的参数估计量。 但是，在实际的计量经济学问题中，完全满足这些基本假设的情况并不多见。 如果违背了某一项基本假设，那么应用普通最小二乘法估计模型所得参数估计量就可能不具有某些优良特性，这就需要发展新的方法估计模型。 本章正是要讨论违背了某一项基本假设的问题及其估计方法。 异方差性Heteroscedasticity 一、异方差性的概念及类型 二、异方差性的后果 三、异方差性的检验 四、异方差的修正 五、案例 1.什么是异方差？ 2.异方差的类型 同方差性假定是指，每个?i围绕其0均值的方差并不随解释变量Xi的变化而变化，不论解释变量的观测值是大还是小，每个?i的方差保持相同，即 ?i2 =常数 （i=1,2,…,n） 异方差一般可以归结为三种类型： （1）单调递增型： ?i2=f(Xi)随Xi的增大而增大； （2）单调递减型： ?i2=f(Xi )随Xi的增大而减小； （3）复杂型： ?i2=f(Xi )随Xi的变化呈复杂形式。 3.实际经济问题中的异方差性 在该模型中，?i的同方差假定往往不符合实际情况。对高收入家庭来说，储蓄的差异较大；低收入家庭的储蓄则更有规律性（如为某一特定目的而储蓄），差异较小。 因此，?i的方差往往随Xi的增加而增加，呈单调递增型变化。 一般情况下：居民收入服从正态分布，处于中等收入组中的人数最多，处于两端收入组中的人数最少。而人数多的组平均数的误差小，人数少的组平均数的误差大。所以样本观测值的观测误差随着解释变量观测值的增大而先减后增。 规 律 一般经验告诉人们：对于采用截面数据作样本的计量经济学问题，由于在不同样本点（即不同空间）上解释变量以外的其他因素的差异较大，所以往往存在异方差性。 1.参数估计量非有效 当计量经济学模型出现异方差性时，其普通最小二乘法参数估计量仍然具有无偏性，但不具有有效性。而且，在大样本情况下，参数估计量仍然不具有渐近有效性。 2.变量的显著性检验失去意义 3.模型的预测失效 1.检验方法的共同思路 既然异方差性就是相对于不同的解释变量观测值，随机误差项具有不同的方差，那么： 检验异方差性，也就是检验随机误差项的方差与解释变量观测值之间的相关性及其相关的“形式”。 各种检验方法正是在这个共同思路下发展起来的。 问题在于：用什么来表示随机误差项的方差？ 2.图示检验法 （1）用X-Y的散点图进行判断（李子奈P108） 3.戈里瑟（Gleiser）检验与帕克（Park）检验 戈里瑟检验与帕克检验的思想： 4.戈德菲尔德-匡特（Goldfeld-Quandt）检验 G-Q检验以F检验为基础，仅适用于样本容量较大、异方差为单调递增或单调递减的情况。 G-Q检验的步骤： ①将n对样本观察值(Xi1, Xi2, …,Xik,Yi)按某一被认为有可能引起异方差的解释变量观察值Xij的大小排队。 ②将序列中间的c=n/4个观察值除去，并将剩下的观察值划分为较小与较大的容量相同的两个子样本，每个子样本的样本容量均为(n-c)/2 。 5.怀特(White)检验 G-Q检验需按某一被认为有可能引起异方差的解释变量对样本排序，而且只能检验单调递增或单调递减型异方差；怀特(White)检验则不需要排序，且对任何形式的异方差都适用。 怀特(White)检验的基本思想与步骤 下面，以二元回归为例，说明怀特检验的基本思想与步骤： 怀特(White)检验的EViews软件操作要点 在OLS的方程对象Equation中，选择View/Residual tests/White Heteroskedasticity。 在选项中，EViews提供了包含交叉项的怀特检验“White Heteroskedasticity（cross terms）”和没有交叉项的怀特检验“White Heteroskedasticity（no cross terms）” 这样两个选择。 软件输出结果：最上方显示两个检验统计量：F统计量和White统计量nR2；下方则显示以OLS的残差平方为被解释变量的辅助回归方程的回归结果。 以教材P118的例子为例，包含交叉项的怀特检验“White Heteroskedasticity（cross terms）”的输出结果为 ： 四、异方差的修正 加权最小二乘法（weighted least squares ） 异方差稳健标准误法（ heteroscedasticity –robust standard error） 1.加权最小