多元线性回归模型：估计及t检验.docVIP

多元线性回归：估计方法及 回归系数显著性检验 线性回归模型的基本假设: i = 1 , 2 , … , n 在普通最小二乘法中，为保证参数估计量具有良好的性质，通常对模型提出若干基本假设： 1．解释变量间不完全相关； 2．随机误差项具有0均值和同方差。即: , i = 1 , 2 , … , n 3．不同时点的随机误差项互不相关（序列不相关），即 s ≠ 0, i = 1 , 2 , … , n 4．随机误差项与解释变量之间互不相关。即 j = 1 , 2 , … , k , i = 1 , 2 , … , n 5．随机误差项服从0均值、同方差的正态分布。即 ~ i = 1 , 2 , … , n 当模型满足假设1 ~ 4时，将回归模型称为“标准回归模型”，当模型满足假设1 ~ 5时，将回归模型称为“标准正态回归模型”。如果实际模型满足不了这些假设，普通最小二乘法就不再适用，而要发展其他方法来估计模型。 广义（加权）最小二乘估计（generalized least squares） 当假设2和3不满足时，即随机扰动项存在异方差，i = 1 , 2 , … , n，且随机扰动项序列相关， i = 1 , 2 , … , n，j=1 , 2 , … , n ，此时OLS 估计仍然是无偏且一致的，但不是有效估计。 线性回归的矩阵表示： y = Xβ + u （1） 则上述两个条件等价为： Var(u)== ? ? 2 I 对于正定矩阵 QUOTE ? ? 存在矩阵M，使得 。在方程（1）两边同时左乘M，得到转换后的新模型：，令，即 （2） 新的随机误差项的协方差矩阵为，显然是同方差、无序列相关的。目标函数，即残差平方和为：。目标函数是残差向量的加权平方和，而权数矩阵则是u的协方差矩阵的逆矩阵（因此，广义最小二乘估计法也称为加权最小二乘估计法）。而新模型的OLS估计量则是原模型的GLS估计量。 Var（ QUOTE GLS）= (X*’X*)-1 =(X’M’MX)-1=(X’ QUOTE ? ? -1X)-1（ Var（ QUOTE OLS）= (X’X)-1X’ QUOTE ? ?X(X’X)-1 ）。 由于变换后的模型(2)满足经典OLS 的所有假设，所以根据高斯-马科夫定理可知， GLS 估计量是BLUE （Best Linear Unbiased Estimator）。 虽然从理论上讲，GLS比OLS有效，但由于多数情况下残差序列的协方差矩阵未知，当我们用代替GLS 估计式中的 QUOTE ? ?以获得估计时，估计量虽然仍旧是一致的，但却不是最好线性无偏估计。而且，也很难推导出估计量的小样本性质。继而用White(1980)的异方差一致协方差估计方法（残差序列有未知形式的异方差，但序列不相关）和Newey-West(1987) 的异方差--自相关一致协方差估计方法（有未知形式的异方差且自相关存在）得到修正的Var（ QUOTE OLS）是相对较好的选择。（使用White或Newey-West异方差一致协方差估计不会改变参数的点估计，只改变参数估计的标准差。） White 协方差矩阵公式为： 其中n是观测值数，k是回归变量数，ui是最小二乘残差。 Newey-West协方差矩阵公式为： 其中， q是滞后截尾，一个用于评价OLS残差 ui的动态的自相关数目的参数。。 二阶段最小二乘法 （TSLS，Two stage least squares，Sargan（1958）） 当假设4不成立时，即随机误差项与某些解释变量相关时，OLS和广义LS都是有偏的和不一致的。 有几种情况使右边某些解释变量与误差项相关。如：在方程右边有内生决定变量，或右边变量具有测量误差。为简化起见，我们称与残差相关的变量为内生变量，与残差不相关的变量为外生变量。 解决解释变量与随机误差项相关的方法是使用工具变量回归。就是要找到一组变量满足下面两个条件： （1）与内生变量相关； （2）与残差不相关； 这些变量称为工具变量。用这些工具变量来消除右边解释变量与扰动项之间的相关性。考虑工具变量时，应注意以下问题： １）使用TSLS估计，方程说明必需满足识别的阶条件，即工具变量的个数至少与方程的系数一样多（D