计量经济学课件-异方差性.pptVIP

异方差检验——G-Q检验 异方差检验——G-Q检验 异方差性检验——White检验（包括交叉项） 异方差性检验——White检验（不包括交叉项） 加权最小二乘法回归 加权最小二乘法回归 加权最小二乘法回归后异方差性的检验 异方差稳健标准误下的修正 5、在实际操作中通常采用的经验方法 采用截面数据作样本时，不对原模型进行异方差性检验，而是直接选择加权最小二乘法。 如果确实存在异方差，则被有效地消除了； 如果不存在异方差性，则加权最小二乘法等价于普通最小二乘法。 一、序列相关性的概念 二、序列相关性的后果 三、序列相关性的检验 四、具有序列相关性模型的估计 §4.2 序列相关性 Serial Correlation 一、序列相关性的概念 1、序列相关性 模型随机项之间不存在相关性，称为：No Autocorrelation。 以截面数据为样本时，如果模型随机项之间存在相关性，称为：Spatial Autocorrelation。 以时序数据为样本时，如果模型随机项之间存在相关性，称为：Serial Autocorrelation。 习惯上统称为序列相关性（Serial Correlation or Autocorrelation）。 在其他假设仍成立的条件下，随机扰动项序列相关即意味着: ? ? ? ? ? è ? = ￠ = 2 1 1 2 ) ( ) ( ) ( ) ( s m m m m s L M O M L n n E E E Cov μ μ μ ÷ ÷ ? ? ? ? ? è ? = 2 1 1 2 s s s s L M O M L n n I Ω 2 2 s s 1 = 一阶序列相关，或自相关 ρ称为自协方差系数（coefficient of autocovariance）或一阶自相关系数（first-order coefficient of autocorrelation） 2、实际经济问题中的序列相关性 没有包含在解释变量中的经济变量固有的惯性。 模型设定偏误（Specification error）。主要表现在模型中丢掉了重要的解释变量或模型函数形式有偏误。 数据的“编造”。 时间序列数据作为样本时，一般都存在序列相关性。 截面数据作为样本时，一般不考虑序列相关性。 二、序列相关性的后果Consequences of Using OLS in the Presence of Autocorrelation 与异方差性引起的后果相同： 参数估计量非有效 变量的显著性检验失去意义 模型的预测失效 三、序列相关性的检验Detecting Autocorrelation 1、检验方法的思路 序列相关性检验方法有多种： Graphical Method Regression Method Durbin-Watson Test (D.W. test) Breusch-Godfrey (BG) Test, (LM test, Lagrange Multiplier) 具有共同的思路。 然后，通过分析这些“近似估计量”之间的相关性，以判断随机误差项是否具有序列相关性。 基本思路: 首先 ，采用 OLS 法估计模型，以求得随机误差项的 “ 近似估计量 ”，用 ~ e i 表示： ls i i i Y Y e 0 ) ? ( ~ - = 2、图示法 3、回归检验法 …… 如果存在某一种函数形式，使得方程显著成立，则说明原模型存在序列相关性。 回归检验法的优点是： 能够确定序列相关的形式； 适用于任何类型序列相关性问题的检验。 t t t e e e r + = - 1 ~ ~ t t t t e e e e r r + + = - - 2 2 1 1 ~ ~ ~ 4、杜宾-瓦森（Durbin-Watson）检验法 杜宾（J.Durbin）和瓦森(G.S. Watson)于1951年提出的一种检验序列自相关的方法。 该方法的假定条件是： 解释变量X非随机； 随机误差项?i为一阶自回归形式：?i=??i-1+?I ； 回归模型中不应含有滞后应变量作为解释变量； 回归含有截距项。 对原模型进行OLS估计，用残差的近似值构造统计量。 该统计量的分布与出现在给定样本中的X值有复杂的关系，因此其精确的分布很难得到。 但是，他们成功地导出了临界值的下限dL和上限dU ，且这些上下限只与样本的容量n和解释变量的个数k有关，而与解释变量X的取值无关。 H0: ?=0 D.W. 统计量: ? ? = = - - = n t t n t t t e e e W D 1 2 2 2 1 ~ ) ~ ~ ( . . D.W检验步