第5章 多元回归分析：OLS的渐进性.pptVIP

伍德里奇 《计量经济学导论》（第4版） 主讲教师：闫晶晶 国内外经典教材名师讲堂 第5章　多元回归分析：OLS的渐进性(1) 第五讲 多元回归分析：OLS的渐近性Multiple Regression Analysis: Asymptotic Properties of OLS 一、引言 二、一致性 三、渐近有效性 四、渐近正态性 引言 回忆：经典线性模型（CLM）的假定 　在上一讲的学习中，有以下结论： 如果总体回归模型满足MLR.1-4，OLS估计量是无偏的 如果总体回归模型满足MLR.1-5，OLS估计量是有效的，并且OLS估计量是最优线性无偏估计量 如果总体回归模型满足MLR.1-6，OLS估计量是最优无偏估计量，而且基于OLS估计构造的某些统计量服从t分布或F分布，从而可以进行假设检验 这些性质是针对固定样本容量而言的，然而，当样本容量无限增大时，OLS估计量会呈现出另外一些性质，这些性质称为渐近性质（asymptotic properties）或大样本性质（large sample properties） 　　为什么讨论OLS的渐近性质？ 在现实中，经典线性模型的某些假定很难满足，此时无法保证OLS估计量的无偏性和有效性，从而OLS方法是失效的。在这种情况下，如果可以通过增加样本容量来使得OLS估计量满足某些合理的性质，那么仍然可以保证使用OLS方法是合适的。换言之，如果随着样本容量的增加，OLS估计量仍然不能令人满意，那就说明不应使用OLS估计方法。 　　几类渐近性 一致性 渐近有效性 渐近正态性 　　什么是一致性？　　一致性（consistence） OLS的一致性 为什么考虑一致性 　　我们已经讨论了有限样本（小样本）中OLS估计量和检验统计量具有的如下性质： 　　在MLR. 1-4下 OLS估计量具有无偏性 　　在MLR.1-5下 OLS估计量是最优线性无偏估计量 　　在MLR.1-6 下OLS估计量是最小方差无偏估计量 　　t（F）统计量的分布为t（F）分布。 　　样本容量为任意n时，这些性质都成立。 　　由于在很多情形下误差项可能呈现非正态分布，了解OLS 估计量和检验统计量的渐近性，即当样本容量任意大时的特性就是重要的问题。 　　OLS的一致性：对简单回归模型的简单证明 OLS的一致性：对简单回归模型的简单证明 进一步的讨论 　　上述讨论表明如果OLS估计量是无偏的，那么它一定是一致的；但是如果OLS估计量是一致的，却不能保证它是无偏的。 　　假设Z的真值为0，一个随机变量X以0.5的概率取0.5，而以0.5的概率取-0.5，那么X的期望为0。但是X总是在X=0这条线上下摆动，当n趋向无穷大时，它的方差并不会趋于0。因此，它是Z的不一致的估计量。 在高斯－马尔可夫假定下OLS 是最优线性无偏估计量，但在别的情形下不一定能找到无偏估计量。 在那些情形下，我们只要找到一致的估计量， 即当 时，这些估计量的分布退化为参数的真值。 一个更弱的假定 要获得估计量的无偏性，我们假定零条件期望 而要获得估计量的一致性，我们可以使用更弱的假定（MLR.4’）： 零期望 零相关性假定 如果这个较弱的假定也不成立，OLS将是有偏而且不一致的。 OLS的不一致性 　　如果误差项与任意一个自变量相关，即 ，那么OLS就是有偏的而且是不一致的。即便样本容量再大，OLS估计的偏误也不会消失，而且OLS估计值会收敛到一个有偏误的值（情况更糟糕！）。 此时，OLS估计量的不一致性（inconsistency）为： 渐近偏差（续） 考虑渐近偏差的方向就像是考虑存在一个 遗漏变量时偏差的方向。 主要的区别在于渐近偏差用总体方差和总体协方差表示，而偏差则是基于它们在样本中的对应量。 不一致性是一个大样本问题。因此，当数据增加时候，这个问题并不会消失。 有内生性时的一致性 考虑真实模型为 OLS的不一致性 　　遗漏变量的影响 　　遗漏变量会使得OLS估计量是有偏的，事实上，这种情况还使得OLS估计量是非一致的。 　例题：问题5.1 渐近有效性 　　在高斯-马尔可夫假定下，OLS估计量以外的估计量可以具有一致性。 　　但是，在高斯-马尔可夫假定下，OLS估计量具有最小的渐近方差。 　　我们说在高斯-马尔可夫假定下OLS估计量是渐近有效的估计量。 　　如果总体回归模型满足MLR.1-5，那么OLS估计量是最优线性无偏估计量。事实上，可以证明在这些假定下， OLS估计量是渐近有效的（asymptotic efficient）。即便随着样本容量无限增大， OLS估计量仍然具有最小的渐近方差。 渐近有效 重要的一点是如果同方差的假定不成立，上述结论也不能成立。 为了证明OLS估计量是渐近有效的，