金融计量学之非典型回归模型及其应用.ppt

面板数据（panel data）模型 二、面板数据的估计模型 面板数据估计模型分为静态模型和动态模型。静态模型可分为变截距和变系数两种模型，这两种又可再分别细分为固定效应和随机效应两类。动态模型则更为复杂，进一步考虑了时间上的滞后等情况。 面板数据（panel data）模型 (一)静态模型 1、基本原理 面板数据模型同时考虑截面因素和时间因素，它的基本方程形式为： 其中， 是因变量， 是解释变量， 是k维参数向量，t = 1,2, … ,T , i = 1,2, … ,N, j = 1,2, … ,K 分别表示时间，横截面，解释变量。 是截距项， 是随机误差项， 面板数据（panel data）模型 为了更简洁的表达这个模型，我们记 则模型可以改写为一个简洁的形式 面板数据（panel data）模型 由 和 的不同，可以把模型分成以下三大类 (1)无个体影响不变系数模型 这个模型中 为一个不变的常数，对任何i。 也是一个不变的参数向量。 这实际上是将各个体成员时间序列上的数据堆在一起产生模型，这就是经典回归模型。所用的模型估计方法即为最小二乘法，该模型也被称为联合回归模型。对于这个简单的模型，我们不再做讨论。 面板数据（panel data）模型 (2)变截矩模型 这个模型中，系数向量 不变。这表示个体成员之间不存在结构上的差异。同时根据截距项 的不同，我们又可以进一步分类：如果 是一个常数，那么这是一个固定效应变截矩模型，表示个体成员之间存在固定差异； 如果 是一个随机变量，那么这是一个随机效应变截矩模型。，表示个体间差异是不确定的。 金融计量学 第三章 非典型回归模型及其应用 学习目标： 熟悉异方差、自相关性、多重共线性的检验方法； 了解广义矩（GMM）模型及其应用； 熟悉面板数据模型及其在金融计量中的应用； 掌握Logisitic 模型和Probit模型的应用。 第三章 非典型回归模型及其应用 第一节 普通最小二乘假设的违背 第二节 广义矩模型 第三节 面板数据（panel data）模型 第四节 离散因变量模型应用 普通最小二乘假设的违背 第一节 普通最小二乘假设的违背 如前所述，最小二乘回归具有一系列前提假设。判断是否满足最小二乘回归的假设是最重要的。在此，我们特别需要检验： （1）异方差性——导致不满足残差具有不变方差的假设； （2）自相关——导致不满足残差之间相互独立的假设； （3）多重共线性——导致不满足自变量之间不相关的假设。 在本节中，我们重点对违背最小二乘回归假设的这三种情况进行分析。 普通最小二乘假设的违背 一、异方差性分析 （一）异方差问题 在多元线性回归模型中，随机扰动项 满足同方差性的基本假定，即它们具有相同的方差 。但如果随机扰动项的方差并非不变的常数，则称为异方差性（Heteroskedasticity），即指随机变量服从不同方差的分布。异方差性用公式表达为： 。在计量经济学中，产生异方差的原因有多种，比如模型中遗漏了某些解释变量，模型函数设定误差，样本数据的测定误差，以及随机因素的影响等等。 普通最小二乘假设的违背 （二）异方差检验 1、图示检验法 残差图分析 残差图分析是在利用Eviews进行回归模型估计后，在方程窗口点击“Resids”按钮，直接在屏幕上看到残差分布图。如果残差分布图的区域逐渐变窄或变宽，或出现偏离带状区的复杂变化，则表明存在异方差性。 相关图分析 异方差检验残差图 普通最小二乘假设的违背 2、White检验 怀特（White）提出的异方差的一般检验方法，具有简便有效的特点。假定模型为： White检验步骤如下： （1）首先应用OLS估计回归方程，得到残差 。 （2）然后进行辅助回归 （3）计算统计量 值。 （4）在 的原假设下， 服从自由度为5的 分布。如果 大于给定显著水平a对应的临界值 ，则拒绝原假设，表明随机误差项中存在异方差。 普通最小二乘假设的违背 （三）异方差的解决方法 1、模型变换法 模型变换法是对存在异方差的总体回归方程作适当的变换，使之满足同方差的假定，然后在运用OLS估计。 设一元回归模型为： 其中， 具有异方差性，表现为： ，其中 为常数， 0。 经过变换可得 变换后模型的随机模型的误差项具有同方差性 所以，可以对变换后的模型进行OLS估计。 普通最小二乘假设的违背 2、变量对数变化法