第九讲异方差性.pptVIP

;异方差性Heteroskedasticity; 在§2.1中对线性回归模型提出了若干基本假设，只有在满足这些基本假设的情况下，应用普通最小二乘法才能得到无偏的、有效的参数估计量。 但是，在实际的计量经济学问题中，完全满足这些基本假设的情况并不多见。 如果违背了某一项基本假设，那么应用普通最小二乘法估计模型就不能得到无偏的、有效的参数估计量，OLS法失效，这就需要发展新的方法估计模型。 当随机误差项违背同方差性假设时，即认为存在异方差性问题。;一、异方差性的概念;1、异方差的概念;2、异方差的类型; 异方差一般可归结为三种类型：;3、实际经济问题中的异方差性; 一般情况下：居民收入服从正态分布，处于中等收入组中的人数最多，处于两端收入组中的人数最少。而人数多的组平均数的误差小，人数少的组平均数的误差大。所以样本观测值的观测误差随着解释变量观测值的增大而先减后增。 ;例如：以某一行业的企业为样本建立企业生产函数模型 Yi=Ai?1 Ki?2 Li?3e?i 产出量为被解释变量，选择资本、劳动、技术等投入要素为解释变量，那么每个企业所处的外部环境对产出量的影响被包含在随机误差项中。;二、异方差性的后果;1、参数估计量非有效;2、变量的显著性检验失去意义;对于一元回归模型 的普通最小二乘估计有 可以证明，存在异方差的情况下正确的 的方差应为 而普通最小二乘法仍按下式给出 的方差估计 只有同方差性满足时，两式才会相同，否则估计结果就会出现偏误，在有偏误的方差基础上构造的t检验也就失去了意义。;3、模型的预测失效;三、异方差性的检验;1、检验方法的共同思路;问题在于：用什么来表示随机误差项的方差？;2、图示检验法;看是否形成一斜率为零的直线。;3、解析法;G-Q检验的步骤：;⑥检验。给定显著性水平?，确定F分布表中相应的临界值F?（?1，?2）。 若F＞F?（?1，?2），则存在异方差； 反之，则不存在异方差。 ;（2）戈里瑟（Gleiser）检验与帕克（Park）检验;注意：;（3）怀特（White）检验 怀特检验不需要对各个解释变量进行试算，适用于任何形式的异方差。 下面以两个解释变量的模型为例说明怀特检验的思想与步骤： 假设回归模型为 先对模型做普通最小二乘回归，并得到 ，然后作如下辅助回归： 在同方差假定下 ～ ;其中n为该辅助回归的样本容量，R2为该辅助回归的可决系数，二者的乘积近似服从自由度为辅助回归方程中解释变量个数的 分布。 如果存在异方差性，辅助回归会显示有较大的可决系数。 在多元回归中，由于辅助回归方程中可能有太多的解释变量，而使自由度减少，自由度越少，临界值越小，越易显著。为了保证足够的自由度，有时可去掉交叉项。;四、异方差的修正;1、加权最小二乘法（WLS）; 加权最小二乘法就是对加了权重的残差平方和实施OLS法： 对较小的残差平方ei2赋予较大的权数， 对较大的残差平方ei2赋予较小的权数。;例如：如果在检验过程中已经知道：; i=1,2,…,n ;加权最小二乘法具有比普通最小二乘法更普遍的意义，普通最小二乘法只是加权最小二乘法中权恒取1时的一种特殊情况。加权最小二乘法也称为广义最小二乘法。 实施加权最小二乘法的关键是寻找合适的“权”，即寻找扰动项的方差与解释变量间的适当的函数形式。 如果发现： 则加权最小二乘法中的权为;帕克检验指出可以进行各种形式的尝试，下面给出广泛应用的方法。 假设 的方差具有如下指数函数的形式 可等价的写出 进一步有 当用可观测的 代替不可观测的 时，;用普通最小二乘法估计上市，即可得到各 的无偏、一致且有效估计 ，于是得到 的方差估计： 从而估计的权为： 由于加权最小二乘法中的权，是估计出来的，因此这种广义最小二乘法也可称为可行的广义最小二乘法（FGLS）。;2.异方差稳健标准误法 当无法找到扰动项的方差与解释变量的函数关系式时，不能较好的实施加权最小二乘法，可以采用异方差稳健标准误法来消除异方差存在带来的不良后果。 异方差干扰存在时，普通最小二乘估计量不再满足有效性，但不影响估计量的无偏性，另一种修正思路是：仍采用普通最小二乘估计量，但修正相应的方差。 1980年，怀特提出的修正方法是，用普通最小二乘法估计的残差的平方 ，作为相应 的代表。;在一元线性回归中，估计的斜率