计量经济学：第四章 放宽基本假定的模型.pptxVIP

第四章 经典单方程计量经济学模型：放宽基本假定的模型在经典的假设之下，多元线性回归模型的普通最小二乘估计是最小方差线性无偏估计。问题1：经典的假定不成立会有什么后果？问题2：如何知道经典的假定成不成立？问题3：经典的假定不成立怎么办？经典假定违背经典假定：随机扰动项同方差：随机扰动项不相关：随机扰动项期望不为0随机扰动项期望为0随机扰动项不服从正态分布随机扰动项服从正态分布随机扰动项异方差：随机扰动项相关：解释变量有多重共线性。解释变量无多重共线性。解释变量与随机扰动项不相关解释变量与随机扰动项相关计量经济学检验的含义：对单方程多元线性回归模型的经典假定是否成立进行的检验§4.1 异方差性Heteroscedasticity一、异方差的概念1、异方差同方差异方差2、实际经济问题中的异方差的含义 例：居民家庭的储蓄行为 Yi=?0+?1Xi+?iYi:第i个家庭的储蓄额 Xi:第i个家庭的可支配收入。 高收入家庭：储蓄的差异较大； 低收入家庭：储蓄则更有规律性，差异较小。一般情况下，异方差是指不同的样本点所对应的随机扰动项的方差不同，随机扰动项的方差是样本点的函数。二、存在异方差的后果 Consequences of Using OLS in the Presence of Heteroskedasticity模型存在异方差时最小二乘估计量的性质。1、仍具有线性性、无偏性，一致性；但不具有有效性。 下面以一元线性回归模型为例说明若模型具有异方差性，但模型的其他假定仍然成立。估计的线性性仍然成立：估计量的无偏性仍然成立。估计量的方差发生了改变：结论：模型存在异方差时，最小二乘估计量不再是线性无偏估计量中方差最小的，最小二乘估计量不是有效估计量。普通最小二乘估计仍然是一致估计：注意：模型存在异方差时，最小二乘估计量仍然服从正态分布，但是方差已经发生变化。此时下述估计已经没有意义： 2、关于变量的显著性检验的原有做法失去意义 原因：变量的显著性检验中，构造了t统计量 如果模型出现了异方差，由于已经无意义，因此前述变量的显著性检验的做法失去意义。 其他检验（如方程的显著性检验做法）也是如此。3、模型的预测失效 原因：一方面，参数估计不具有有效性，参数估计的方差变大，参数估计精度低。另一方面，预测区间的长度中含有无意义的 所以，当模型出现异方差性时，参数OLS估计的精度低，对Y的预测前述做法存疑。三、异方差的检验随机扰动项与残差的关系:进行普通最小二乘估计得到样本回归模型：残差可以作为随机扰动项的“近似”或“估计”。异方差检验的思路：由于异方差性是指不同的样本点，随机扰动项具有不同的方差。那么检验异方差性，就是要检验随机扰动项的方差与解释变量样本值之间是否具有函数关系。一元线性回归模型：是常数函数，则模型同方差。不是常数函数，则模型异方差。随机扰动项方差的近似:首先对原模型采用OLS估计，得到残差，用它的平方作为随机扰动项的方差的近似。残差是随机扰动项的近似或估计，因此残差的平方可以作为随机扰动项方差的近似，即一元线性回归模型：是常数函数，则模型同方差。不是常数函数，则模型异方差。设：则即只要检验：中的f是不是常数函数即可以检验是同方差还是异方差。对多元模型是否有异方差进行检验，比如说二元：二元线性回归模型：是常数函数，则模型同方差。不是常数函数，则模型异方差。即只要检验：是不是常数函数即可以推断是同方差还是异方差。异方差的检验：1、图示法：的散点图在一水平直线附近，则随机扰动项同方差；否则，随机扰动项异方差。画解释变量与被解释变量的散点图。2、对异方差进行的检验：怀特（White）检验以二元模型为例怀特（White）检验设：怀特（White）检验检验假设：法1：对上述方程进行检验（F统计量）。法2：在同方差假设下辅助回归可决系数渐近服从辅助回归解释变量的个数（5）White异方差检验：如果原模型不存在异方差，那么， nR2应该比较小；反之，如果发现nR2比较大，那么有理由认为有异方差存在。若nR2? χ2? (h)，则拒绝原假设H0，即模型存在异方差；否则模型不存在异方差。四、模型存在异方差时的估计方法一：加权最小二乘法加权最小二乘法（WLS）是对原模型变形，使之变成一个新的、不存在异方差的模型，然后采用OLS估计其参数。情形1：如果随机扰动项方差与解释变量的关系已知：易证：变换后的模型其随机扰动项同方差，用OLS法估计性质最优。对新模型进行最小二乘估计就是对原模型进行的加权最小二乘估计。比如：如果已知随机扰动项方差为：此模型为不存在异方差的模型，符合经典假设用普通最小二乘估计性质最优。情形2、如果随机扰动项方差与解释变量关系未知：估计随机扰动项的方差方法一：对此模型进行最小二乘估计就是对原模型进行的加权最小二乘估计。估计随机扰动项