三章节异方差和自相关.pptVIP

第三章 异方差和自相关;本章要点;在前面的章节里我们已经完成了对经典正态线性回归模型的讨论。但在实际中，经典线性回归模型的基本假定经常是不能得到满足的，而若在此状况下仍应用OLS进行回归，就会产生一系列的问题，因此我们就需要采取不同的方法对基本假定不满足的情况予以处理。 在本章中，我们将着重考虑假定2和假定3得不到满足，即存在异方差和自相关情况下的处理办法。 ;第一节 异方差的介绍;图3-1 异方差直观图 ;为什么会产生这种异方差性呢？ 一方面是因为随机误差项包括了测量误差和模型中被省略的一些因素对因变量的影响，另一方面来自不同抽样单元的因变量观察值之间可能差别很大。因此，异方差性多出现在横截面样本之中。至于时间序列，则由于因变量观察值来自不同时期的同一样本单元，通常因变量的不同观察值之间的差别不是很大，所以异方差性一般不明显。 ; 二、异方差的后果 ;第二节 异方差的检验 ; 一、图示法 ; 二、解析法 ; （一）Goldfeld-Quandt检验法 ;Goldfeld-Quandt检验法涉及对两个最小二乘回归直线的计算，一个回归直线采用我们认为随机项方差较小的数据，另一个采用我们认为随机项方差较大的数据。如果各回归直线残差的方差大致相等，则不能拒绝同方差的原假设，但是如果残差的方差增加很多，就可能拒绝原假设。步骤为： ;第一步，处理观测值。 将某个解释变量的观测值按由小到大的顺序排列，然后将居中的d项观测数据除去，其中d的大小可以选择，比如取样本容量的1/4。再将剩余的（n-d）个数据分为数目相等的二组。;第二步，建立回归方程求残差平方和。 拟合两个回归模型，第一个是关于较小x值的那部分数据，第二个是关于较大x值的那部分数据。每一个回归模型都有(n-d)/2个数据以及[(n-d)/2]-2的自由度。d必须足够小以保证有足够的自由度，从而能够对每一个回归模型进行适当的估计。 对每一个回归模型，计算残差平方和：记 值较小的一组子样本的残差平方和为 = ， 值较大的一组子样本的残差平方和为 = 。 ;第三步，建立统计量。 用所得出的两个子样本的残差平方和构成F统计量： 若零假设为真，则上式中n为样本容量（观测值总数），d为被去掉的观测值数目，k为模型中自变量的个数。;第四步，得出结论。 假设随机项服从正态分布（并且不存在序列相关），则统计量 / 将服从分子自由度和分母自由度均为（ ）的F分布。 对于给定的显著性水平，如果统计量的值大于上述F分布的临界值，我们就拒绝原假设,认为残差具有异方差性。否则，就不能拒绝原假设。 ;（二）Spearman rank correlation 检验法 ;第一步，运用OLS法对原方程进行回归，计算残差 ＝ ，i=1，2…n。 第二步，计算Spearman等级相关系数。将 和解释变量观察值 按从小到大或从大到小的顺序分成等级。等级的大小可以人为规定，一般取大小顺序中的序号。如有两个值相等，则规定这个值的等级取相继等级的算术平均值。 然后，计算 与 的等级差 ，＝ 的等级－ 的等级。最后根据公式计算Spearman等级相关系数。 ;第三步，对总体等级相关系数 进行显著性检验 ： ＝0， ： 0。样本 的显著性可通过t检验按下述方法加以检验： t＝ 对给定的显著水平 ，查t分布表得 的值，若 ，表明样本数据异方差性显著，否则，认为不存在异方差性。 对于多元回归模型，可分别计算 与每个解释变量的等级相关系数，再分别进行上述检验。 ;（三）Park检验法 ;第三步，建立方差结构回归模型，同时用 来代替 ，即 ＝ 。对此模型运用OLS法。对 进行t检验，如果不显著，则没有异方差性。否则表明存在异方差。 Park检验法的优点是不但能确定有无异方差性，而且还能给出异方差性的具体函数形式。但也有质疑，认为 仍可能有异方差性，因而结果的真实性要受到影响。;（四）Glejser检验法 ;Glejser检验方法的优点是允许在更大的范围内寻找异方差性的结构函数。缺点是难于确定 的适当的幂次，这往往需要进行大量的计算。从实际方面考虑，该方法可用于大样本，而在小样本中，则仅可作为异方差摸索的一种定性技巧。 ;（五）Breusch-Pagan检验法 ;提出原假设