计量经济学精编本课件于俊年 ISBN9787811343038 PPT精5.4.pptVIP

* §5.4 异方差性问题的解决方法 一、对原模型进行变换 设原模型为 (5.4.1) 其中ui具有异方差性(其余基本假定都满足)。假定 现在已知 (5.4.2) 其中k2为常数。 用 去除(5.4.1)式两端，则得到新的模型： (5.4.3) 记 (5.4.4) 则模型(5.4.3)变为 (5.4.5) (5.4.5)中的参数α和β即原模型中的参数，但是随 机项 已经没有异方差性了。因为： 因此，对模型(5.4.5)应用OLS法，即可得出参数 α、β的最佳线性无偏估计量，问题得以解决。 二、加权最小二乘法(WLS) 在OLS法中，其基本原则是使残差平方和 (5.4.6) 达到最小，这是对满足经典回归假定而言。 现在我们可以用权数将普通最小二乘法修正为： 使加权残差平方和 (5.4.7) 达到最小。（其中 为 的权数） 这就是加权最小二乘法。 下面我们说明，这种加权最小二乘法同样可以消 除异方差性的影响。 设异方差是xi的函数 (5.4.8) 将(5.4.8)代入(5.4.7)得加权最小二乘法，要求 (5.4.9) 达到最小。 现在对原模型(5.4.1)作变换： (5.4.3) 对(5.4.3)应用普通最小二乘法，要求残差平方和： (5.4.10) 最小。显然，能使(5.4.10)达到最小的 也一 定能使(5.4.9)式达到最小，因为二者只差一个常数 因子 。即两种方法得到的结果相同。 由于用变换的方法能消除随机项ui异方差的影响， 所以用加权最小二乘法也能消除随机项ui异方差 的影响。两种方法实质上是一回事。 对原模型进行变换的方法实际上是加权最小二乘法 当 时的特例，也可以看作是加权最小二乘法 的直接应用。 三、广义最小二乘法 ( GLS ) 广义最小二乘法是处理广义线性模型的一种估计方法。 广义线性模型是指线性模型 (5.4.11) 并且有 (5.4.12) 其中 为未知常数，Ω是一个已知的n×n阶正定 对称矩阵： 其它基本假定不变，称之为广义线性模型。 (5.4.13) 若将Ω换成In，则模型(5.4.11)就变成一般古典线 性模型。因此，一般古典线性模型可以看作广义 线性模型的特例。 由于Ω为正定对称矩阵，必存在一个(n×n)阶非奇 异矩阵P，使得 (5.4.14) 且有 (5.4.15) 利用矩阵P对原模型进行变换，用P左乘(5.4.11)得， (5.4.16) 令 (5.4.17) 则(5.4.16)变为 (5.4.18) 此时 (5.4.19) 可见，变换后的模型(5.4.18)，已满足全部基本 假定，可以对模型(5.4.18)应用普通最小二乘法， 求得β的广义最小二乘估计量为 (5.4.20) 将(5.4.17)代入(5.4.20) (5.4.20)′ (5.4.20)(或(5.4.20)′)称为广义最小二乘估计式。 这种将原模型(5.4.11)进行适当变换，变为模型 (5.4.18)，然后对新模型(5.4.18)应用普通最小二乘 法，求得参数估计量 ，称作对原模型的广义最 小二乘法，记作GLS。 当Ω = In时， (5.4.21) 此时广义最小二乘法就是普通最小二乘法。 参数的方差—协方差矩阵 (5.4.22) 的估计量： (5.4.23) 其中ε为广义最小二乘估计量所对应的模型(5.4.11) 的样本残差。 四、广义最小二乘法的应用之一 —— 异方差问题的处理 设模型 (5.4.24) 或 其中 假定随机项存在异方差，即 (5.4.25) 其余条件皆满足基本假定，此时u的方差—协方差矩 阵具有对角形式： *