放松经典假设的模型估计.PPTX

第4章 放松经典假设的模型估计4.1 多重共线性实践中，经常会遇到解释变量间存在线性相关关系的情况，我们称这一情况为共线性或多重共线性（ multi-collinearity）。4.1 多重共线性4.1.1 多重共线性的涵义对于解释变量 ，如果存在一组不全为零的常数 ，使得 则称 存在完全多重共线性。所谓不完全多重共线性，是指对于解释变量 ，存在不全为零的常数 ，使得4.1 多重共线性4.1.2 多重共线性对OLS估计的影响当线性回归模型解释变量间存在完全多重共线性时，最小二乘估计不存在。当解释变量间存在不完全多重共线性时，虽然OLS估计量可以计算出来，但是参数估计的方差会非常大，在进行显著性检验时，很多变量参数的t检验值变的很小，某些重要的变量可能被舍弃。4.1 多重共线性4.1.3 多重共线性的检验根据回归结果直接判断（1）系数估计结果符号与理论分析不一致（2）解释变量的 值很低，而决定系数 很高。（3）不显著解释变量被删除后，回归结果显著变化。4.1 多重共线性4.1.3 多重共线性的检验VIF检验VIF越高，多重共线性影响越严重。一般，我们认为大于10时，模型存在严重的多重共线性。4.1 多重共线性4.1.4 多重共线性下模型的估计方法1. 逐步回归2. 岭回归3. 主成分回归4.1 多重共线性 逐步回归具体步骤是：先用被解释变量对每一个所考虑的解释变量做简单回归，然后以对被解释变量贡献最大的解释变量所对应的回归方程为基础，再逐步引入其余解释变量。每引入一个解释变量后都要进行F检验，并对已经选入的解释变量逐个进行t检验，当原来引入的解释变量由于后面解释变量的引入变得不再显著时，则将其删除。经过逐步回归，使得最后保留在模型中的解释变量既是重要的，又没有严重多重共线性。4.1 多重共线性 岭回归岭回归的思想是，在矩阵 上加上一个正常数对角矩阵 ，并利用 代替 来估计参数，这样可以得到 的岭估计为： 4.1 多重共线性 主成分回归基本思想是通过线性变换，将原来的多个相关的指标组合成相互独立的少数几个能充分反映总体信息的指标（主成分），从而在不丢掉重要信息的前提下避开变量间共线性问题，便于进一步分析。YYE(Y)E(Y)XXX1X1X2X2X3X3X4X44.2 异方差性 异方差性图形 同方差性图形 4.2.1异方差性的涵义如果模型中随机误差项并非常数，即： 则称 具有异方差性（heteroscedasticity）。4.2 异方差性 4.2.2异方差性对OLS估计的影响1.参数的OLS估计量仍然具有无偏性2.参数的OLS估计量的不再具有有效性3.当回归模型存在异方差性时，参数显著性检验将会失效。4.2 异方差性 4.2.3异方差性的检验1. 图示检验法4.2 异方差性 4.2.3异方差性的检验2. 帕克检验或者：4.2 异方差性 4.2.3异方差性的检验3. 戈里瑟检验（格莱泽检验）Glejser曾提出的可选函数形式主要有：利用样本数据分别建立上述各式的回归方程，选择 最大 的函数形式进行分析，若回归结果显示斜率参数显著不为0，则认为存在异方差性。4.2 异方差性 4.2.3异方差性的检验4.戈德菲尔德—匡特检验检验步骤：4.2 异方差性 4.2.3异方差性的检验5.怀特检验检验步骤：4.2 异方差性 4.2.4异方差性下模型的估计方法1.模型变换法常见的 变换方法有以下几种：4.2 异方差性 4.2.4异方差性下模型的估计方法1.模型变换法常见的 变换方法有以下几种：4.2 异方差性 4.2.4异方差性下模型的估计方法1.模型变换法常见的 变换方法有以下几种：4.2 异方差性 4.2.4异方差性下模型的估计方法2.加权最小二乘法4.2 异方差性 4.2.4异方差性下模型的估计方法除此以外，在经济意义成立的情况下，如果对模型作对数变换也可降低异方差性的影响。4.3自相关性 4.3.1自相关性的涵义如果随机误差项之间存在着相关关系，即这时，称随机误差项之间存在自相关性（autocorrelation）。4.3自相关性 4.3.1自相关性的涵义自相关性可以有多种形式:一阶自相关性P阶自相关4.3自相关性 4.3.2自相关性对OLS估计的影响1.参数的OLS估计量仍然具有无偏性2.参数的OLS估计量的不再具有有效性3.当回归模型存在自相关性时，参数显著性检验将会失效4.3自相关性 4.3.3自相关性的检验1. 图示检验法4.3自相关性 4.3.3自相关性的检验2.DW检验4.3自相关性 4.3.3自相关性的检验3. Breush-Godfrey检验（ LM检验）4.3自相关性 4.3.4自相关性下模型的估计方法当模型存在自相关性时，一般使用广义差分法予以消除。（1）一阶自相关情形模型取滞后1期后，两边