《计量经济分析方法和建模》第4章其他回归方法.ppt

第四章 其他回归方法 ; 线性回归模型的基本假设 ; 当随机误差项满足假定1 ~ 4时，将回归模型”称为“标准回归模型”，当随机误差项满足假定1 ~ 5时，将回归模型称为“标准正态回归模型”。如果实际模型满足不了这些假定，普通最小二乘法就不再适用，而要发展其他方法来估计模型。 ; 古典线性回归模型的一个重要假设是总体回归方程的随机扰动项 ui 同方差，即他们具有相同的方差? 2。如果随机扰动项的方差随观测值不同而异，即ui 的方差为?i2，就是异方差。用符号表示异方差为E(ui2) = ?i2 。 异方差性在许多应用中都存在，但主要出现在截面数据分析中。例如我们调查不同规模公司的利润，会发现大公司的利润变化幅度要比小公司的利润变化幅度大，即大公司利润的方差比小公司利润的方差大。利润方差的大小取决于公司的规模、产业特点、研究开发支出多少等因素。又如在分析家庭支出模式时，我们会发现高收入家庭通常比低收入家庭对某些商品的支出有更大的方差。; 变量; 例4.1：我们研究人均家庭交通及通讯支出(CUM)和可支配收入(IN )的关系，考虑如下方程： CUM=?0 + ?1IN + ui 利用普通最小二乘法，得到如下回归模型： CUM= -56.917+ 0.05807*IN (4.1.4) (1.57) (8.96) R2=0.74 D.W.=2.00; 从图形上可以看出，平均而言，城镇居民家庭交通和通讯支出随可支配收入的增加而增加。但是，值得注意的是：随着可支配收入的增加，交通和通讯支出的变动幅度也增大了，可能存在异方差。如果我们把回归方程中得到的残差对各个观测值作图，则可以清楚地看到这一点。 异方差的存在并不破坏普通最小二乘法的无偏性，但是估计量却不是有效的，即使对大样本也是如此，因为缺乏有效性，所以通常的假设检验值不可靠。因此怀疑存在异方差或者已经检测到异方差的存在，则采取补救措施就很重要。 ;§4.1.1 异方差性检验 1. 图示检验法 (1) 用X-Y的散点图进行判断 观察是否存在明显的散点扩大、缩小或复杂型趋势（即不在???个固定的带型域中）; （2）X - ?i2的散点图进行判断 ;; 2. White异方差性检验 White (1980) 提出了对最小二乘回归中残差的异方差性的检验。包括有交叉项和无交叉项两种检验。普通最小二乘估计虽然在存在异方差性时是一致的，但是通常计算的标准差不再有效。如果发现存在异方差性，利用加权最小二乘法可以获得更有效的估计。 ; 检验统计量是通过利用解释变量所有可能的交叉乘积对残差进行回归来计算的。例如：假设估计如下方程 (4.1.6) 式中b是估计系数，?i 是残差。检验统计量基于辅助回归： (4.1.7) EViews显示两个检验统计量：F统计量和 Obs*R2 统计量。White检验的原假设：不存在异方差性（也就是，式（4.1.7）中除?0以外的所有系数都为0成立） 。; 当存在冗余交错作用，EViews会自动的把它们从检验回归中剔除。例如：一个虚拟变量的平方是它自己，所以EViews剔除其平方项，避免形成完全共线性。选择View/Residual test/White Heteroskedasticity进行White异方差检验。 White检验有两个选项：交叉项和无交叉项。有交叉项是White检验的原始形式，它包括所有交叉乘积项。但如果回归右边有许多变量，交叉项的个数会很多，所以不必把它们全包括在内。无交叉项选项仅使用解释变量平方进行检验回归。 ; 例4.2：人均家庭交通及通讯支出(CUM)和可支配收入(IN )的回归方程的 White 异方差检验的结果： ;§4.1.2 利用加权最小二乘法消除异方差 1．方差已知的情形 假设有已知形式的异方差性，并且有序列w，其值与误差标准差的倒数成比例。这时可以采用权数序列为w 的加权最小二乘估计来修正异方差性。对加权自变量和因变量最小化残差平方和得到估计结果 :;; EViews 的加权最小二乘估计方法为，首先把权数序列用均值