放松经典模型假定.ppt

计 量 经 济 学 Econometrics 任课老师：李平 2006年1月 主要内容 多重共线性 残差正态性检验 异方差 自相关 工具变量 复习 复习 复习 复习 多重共线性 多重共线性（multicollinearity）的定义： 多重共线性 为什么要假设无多重共线性？ 多重共线性 多重共线性 不完全多重共线性对预测的影响 如果回归分析的唯一目的是预测，而不必关注参数估计的可靠性，并且如果不完全共线性的结构在样本和未来都保持一致，那么不完全多重共线性不是一个严重的问题，因为预测只关心模型是否捕捉到了X对Y的解释能力，并且拟合优度越高（当然过度拟合除外），预测越准。 如果不完全共线性的结构在未来发生变化，则预测是冒险的。 多重共线性 不完全多重共线性的特征： 偏回归系数的 t 值会降低，倾向于统计上不显著； 虽然系数不显著，但总的拟合优度R2却可能非常高； 可能出现每个偏回归系数的 t 值都不显著，但回归方程的F值却很显著。 系数可能有符号错误或有难以置信的数值。 OLS估计量及其标准误差对数据的微小变化很敏感。 多重共线性 不完全多重共线性的来源 数据采集方法，如抽样仅限于各回归元取值的一个有限范围内； 数据总体所固有的约束，如收入高的家庭比收入低的家庭有更大的住房； 时间序列数据中回归元具有相同的时间趋势。 多重共线性 多重共线性的侦察 多重共线性是一个程度问题而不是有无的问题； 侦破多重共线性的方法一般基于一些经验指标（即从多重共线性的实际后果来反推多重共线性的存在，但一个共同问题是这些实际后果只是多重共线性的必要条件而不是充分条件）。 多重共线性 补救措施 无为而治：多重共线性实质上是一个数据不足的问题，统计方法无能为力，因此当我们不能更准确地估计每个回归系数时，最好的做法就是有效地估计他们的一个线性组合。 经验规则： 根据先验信息对回归系数进行约束（增加一个条件）； 综合利用横截面数据和时间序列数据； 剔除一个高度共线性的变量（最常用的方法）； 数据转换（一阶差分）； …… 多重共线性 补救措施 主成分分析法（principal components） 因子分析法（factor analysis） 残差项正态性检验 残差项正态性检验 残差项正态性检验 异方差 异方差 异方差的来源 学习过程 横截面数据（同一时点的不同实体变异程度不同） 异常值的影响 回归元的分布偏斜 回归模型的设定不正确（一些重要变量被忽视） 数据采集技术的改进 异方差 出现异方差时的OLS估计 异方差 在异方差情形下，有限样本的OLS估计量仍是无偏的，并且在大样本情况下是一个一致估计量。 但是，OLS估计量不再是有效（即最小方差）估计量。 异方差 出现异方差时使用OLS的后果 尽管偏回归系数都是无偏估计量，但不是有效的，因此如果继续使用OLS估计量，得到的置信区间将无谓的过大而造成本来显著的系数也会变成不显著。 总之，如果忽视异方差而一味使用一般的检验程序，则无论得出什么结论或作出什么统计推断，都可能产生严重的误导。 异方差 检验思路： 异方差 异方差 帕克检验：假设 是解释变量X的某个函数 异方差 戈德菲尔德－匡特（Goldfeld－Quandt）检验： 异方差 4. 如果 服从正态分布并且同方差假设正确，则比率 直观上讲，若上述异方差结构存在，则F值一定很大，因此若计算的F大于某一临界值，则拒绝同方差假设。 异方差 异方差 怀特（White）检验 异方差 异方差 异方差 异方差 补救措施 异方差性不损失OLS估计量的无偏性和一致性，但却损失有效性，进而使得通常的假设检验变得可疑，因此补救措施是必需的。 异方差 异方差 自相关 横截面数据时常受异方差问题的纠缠，但一般不会考虑各单元的误差项之间会存在相关性。 但在处理时间序列数据时，对同一总体的连续的观测很可能表现出某种系统的相关性，特别是连续观测的时间间隔很短时，如一周、一天、甚至一天内多次观测。 自相关 自相关的性质 CLRM假设干扰项之间不存在自相关 但实际上我们面临更多的情况是存在自相关 自相关 自相关的形式 自相关 自相关的来源 时间序列的惯性 设定误差：残差中含有本应纳入而未纳入模型的变量，而这些变量之间存在相关性 不正确的函数形式 蛛网现象 滞后效应（自回归） 数据转换（一阶差分） 非平稳性 自相关 在自相关情形下，有限样本的OLS估计量仍是无偏的，并且在大样本情况下是一个一致估计量。 但是，OLS估计量不再是有效（即最小方差）估计量。 自相关 出现自相关时使用OLS的后果 尽管偏回归系数都是无偏估计量，但不是有效的，因此如果继续使用OLS估计量，得到的置信区间将无谓的过小而造成本来不显著的系数也会变成显著。 总之，如果忽视自相关