文档介绍：该【第六部分异方差及自相关讲解 】是由【泰山小桥流水】上传分享，文档一共【13】页，该文档可以免费在线阅读，需要了解更多关于【第六部分异方差及自相关讲解 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。七、异方差与自有关一、背景我们议论假如古典假定中的同方差和无自有关假定不可以获得知足,会惹起什么样的预计问题呢?另一方面,怎样发现问题,也就是发现和查验异方差以及自有关的存在性也是一个重要的方面,这个部分就是就这个问题进行议论。二、知识重点1、惹起异方差的原由及其对参数预计的影响2、异方差的查验(发现异方差)3、异方差问题的解决方法4、惹起自有关的原由及其对参数预计的影响5、自有关的查验(发现自有关)6、自有关问题的解决方法(时间序列部分解说)三、重点细纲1、惹起异方差的原由及其对参数预计的影响原由:惹起异方差的众多原由中,我们议论两个主要的原由,一是模型的设定偏误,主要指的是遗漏变量的影响。这样,遗漏的变量就进入了模型的残差项中。当省略的变量与回归方程中的变量有有关关系的时候,不单会惹起内生性问题,还会惹起异方差。二是截面数据中整体各单位的差别。结果:异方差对参数预计的影响主假如对参数预计有效性的影响。在存在异方差的状况下,OLS方法获得的参数预计仍旧是无偏的,可是已经不具备最小方差性质。一般而言,异方差会惹起真切方差的低估,进而夸张参数预计的明显性,即是参数预计的t统计量偏大,使得本应当被接受的原假定被错误的拒绝。2、异方差的查验(1)图示查验法因为异方差往常被以为是因为残差的大小随自变量的大小而变化,所以,可以经过散点图的方式来简单的判断能否存在异方差。详细的做法是,以回归的残差的平方ei2为纵坐标,回归式中的某个解说变量xi为横坐标,画散点图。假如散点图表现出必定的趋向,则能够判断存在异方差。(2)Goldfeld-Quandt查验Goldfeld-Quandt查验又称为样安分段法、公司法,由Goldfeld和Quandt1965年提出。这类查验的思想是以惹起异方差的解说变量的大小为次序,去掉中间若干个值,进而把整个样安分为两个子样本。用两个子样安分别进行回归,并计算残差平方和。用两个残差平方和结构查验异方差的统计量。Goldfeld-Quandt查验有两个前提条件,一是该查验只应用于大样本(n>30),而且要求知足条件:观察值的数量起码是参数的二倍;二是除了同方差假定不建立之外,要求其余假定都建立,随机项没有自有关而且听从正态散布。Goldfeld-Quandt查验假定查验设定为:H0:拥有同方差,H1:拥有递加型异方差。详细实行步骤为:①将观察值依据解说变量x的大小次序摆列。②将排在中间部分的c个(约n/4)观察值删去,再将节余的观察值分红两个部分,每个部分的个数分别为n1、n2。③分别对上述两个部分的观察值进行回归,获得两个部分的回归残差平方和。④结构F统计量Fe2e2/(n2k),此中k为模型中被估参数个数。在H0建立e1e1/(n1k)条件下,FF(n2k,n1k)⑤鉴别规则以下,若FF(n2-k,n1-k),接受H0(拥有同方差)若F>F(n2-k,n1-k),拒绝H0(递加型异方差)注意:①当摸型含有多个解说变量时,应以每一个解说变量为基准查验异方差。②此法只合用于递加型异方差。76YY54321X0050100150200(3)Breusch-Pagan/GodfreyLM查验该方法的基本思想是结构残差平方序列与解说变量之间的协助函数,获得回归平方和ESS,进而判断异方差性存在的明显性。该查验假定异方差的形式为:2f(0αzi)此中zi是解说变量组成的向量,当α0时,模型是同方差的。详细设模型为:Yi12i23i3kikuivar(ui)2vii01i12i2pip1,2,p表示是某个解说变量或所有。相同,该查验也能够经过一个简单的回回来实现。提出原假定为0:12p0,详细步骤以下:①结构变量ei2:用OLS方法预计方程中的未知参数,得(een)ei???ikYi12i2k2ei2和?n(n为样本容量)②以ei2为被解说变量,zi为解说变量进行回归,并计算回归平方和ESS。(een)结构协助回归函数ei201i12i2pipvi?2③结构LM统计量为:LM=1ESS2ESS2当有同方差性,且n无穷增大时有~p④对于给定明显性水平,假如ESS22(p),则拒绝原假定,表示模型中存在2异方差。为了计算的简易,LM统计量的结构也能够采纳以下形式:LM1[gZ(ZZ)-1Zg]2此中,Z是对于(1,zi)的nP观察值矩阵,g是观察值giei21排成的列向(een)量。因为上述统计量的结构过分依靠于残差的正态性假定,所以,Koenker和Bassett对该统计量进行了修正,令V1nn2ei2(een)u(een)i1则LM1(u-u)Z(ZZ)-1Z(u-u)V(4)。和Goldfeld-Quandt查验对比,White查验不需要对观察值排序,也不依靠于随机偏差项听从正态散布,它是经过一个协助回归式结构2统计量进行异方差查验。White查验的提出防止了Breusch-Pagan查验必定要已知随机偏差的方差产生的原由且要求随机偏差听从正态散布。White查验与Breusch-Pagan查验很相像,但它不需要对于异方差的任何先验知识,只需求在大样本的状况下。White的查验的思想直接根源于其异方差一致预计。当存在异方差时,传统的方差预计式Var(b|X)2(XX)1不再是预计量方差的一致预计,而应当使用White一致性预计:(XX)-1n-1。经过查验2(XX)1能否是参(i1ei2xi'xi)(XX)数预计方差的一致预计,能够查验能否存在异方差。在实质的应用过程中,能够经过回归的步骤来简单的实现上述思想。以二元回归模型yi=0+1xi1+2xi2ui为例,White查验的详细步骤以下:①第一对上式进行OLS回归,求残差平方ei2。②做以下协助回归式,2+1xi1+2xi2+3xi12+4xi22+5xi1xi2+viei=0即用残差平方ei2对原回归式中的各解说变量、解说变量的平方项、交错乘积项进行OLS回归。注意,上式中要保存常数项。求协助回归式的可决系数R2。③White查验的原假定和备择假定是H0:ui不存在异方差,H1:ui存在异方差④利用回归②获得的R2,计算统计量nR2。在同方差假定条件下,统计量nR22(5)此中n表示样本容量,R2是协助回归式的OLS预计的可决系数。自由度5表示协助回归式中解说变量项数(注意,不计算常数项)。nR2属于LM统计量。统计量nR2渐进听从自由度为k1的卡方散布,此中k是协助回归中参数的个数(包括常数项)。⑤鉴别规则是若nR22(5),接受H0(ui拥有同方差)若nR2>2(5),拒绝H0(ui拥有异方差)(5)ARCH查验自回归条件异方差(ARCH)查验主要用于查验时间序列中存在的异方差。ARCH查验的思想是,在时间序列数据中,可以为存在的异方差性为ARCH过程,并经过查验这一过程能否建立来判断时间序列能否存在异方差。ARCH过程能够表述为:222vtt01t1ptp此中p是ARCH过程的阶数,而且00,i0,(i1,2,p);vt为随机偏差。ARCH查验的基本步骤以下:①提出假定:H0:12p0;H1:j(j1,2,p)中起码一个不为零。②对原模型做OLS预计,求出残差et,并计算残差平方序列et2(t1,2,T),分别作为对t2的预计。③作协助回归et2?0?1et21?pet2p并计算上式的可决系数R2,能够证明,在原假定建立的状况下,鉴于大样本,有(Tp)R2近似听从自由度为p的卡方散布。假如(Tp)R22(p),则拒绝原假定,表示原模型的偏差项存在异方差。(6)Park查验法Park查验法就是将残差图法公式化,提出i2是解说变量xi的某个函数,而后经过查验这个函数形式能否明显,来判断能否拥有异方差性及其异方差性的函数结构。(7)Glejser查验法这类方法近似于Park查验。第一从OLS回归获得残差ei以后,用ei的绝对值对被以为与方差亲密有关的X变量作回归。3、异方差的解决方法(详尽见板书)对异方差的传统解决方法是经过加权最小二乘WLS将残差向同方差变换。一般以为,异方差的产生是因为残差项中包含认识释变量的有关信息,也就是说,能够将残差项e表完成解说变量x的函数:eg(x)此中x是1k的向量,g()能够是对于x的线性函数,也能够是非线性的。假如知道g(x)的函数形式,那么能够经过加权最小二乘的方法对模型进行修正,在不存在自有关的假定下,在回归方程yf(x)两边同乘以1能够对残g(x)差进行修正,进而除去残差的异方差性使得OLS预计量仍旧拥有有效性。可是,这样的方法却有两个方面的问题——第一,是g()的形式难以确立(为了简易,我们常常假定g()是对于x的线性函数,但实质上真切的函数形式很可能是非线性的),进而相应的WLS的权重设定也就常常是不正确的了;其次,即便知道g(x)的真切函数形式,经过加权得出的参数预计也已经不是本来的关注参数了;最后,在强外生性条件E(|x)0不知足的条件下,WLS预计量也常常是不一致的。所以,从现代的看法来看,从模型设定的角度对异方差进行修正才是可行的方法。4、惹起自有关的原由及其对参数预计的影响惹起自有关的原由主要能够概括为三点:①经济数据的固有的惯性(inertia)带来的有关,比方经济系统自己的惯性,经济活动的滞后效应。这主要出此刻时间序列数据中间,经济变量在时间上的惯性常常是造成自有关的主要原由。滞后效应指的是某一经济变量对另一经济变量的影响不单影响于当期,而是持续若干期,由此带来变量的自有关。②模型的设定偏差,主要仍旧是遗漏变量的影响,将遗漏的变量纳入了残差项,因为遗漏的变量在不一样时间点上是有关的,这就造成了残差项的自有关。③对数据的办理造成了数据的内在联系,进而惹起自有关现象。自有关对参数预计的影响仍旧是影响参数预计的有效性,自有关的存在使得OLS获得的参数预计不再拥有最小方差性质。一般而言,在存在自有关的状况下,假如仍旧用知足古典假定的OLS去预计参数及其方差,会低估真切的2,更会低估参数预计的方差,进而是t统计量被高估,以致本来不明显的解说变量变得明显,夸张的参数的明显水平。5、自有关的查验(1)图示查验图示查验是一种直观的查验自有关的方法。与上述查验异方差的方法略有不同的是,该方法是经过做残差的当期值与其滞后期的值的散点图来判断能否存在自有关。详细做法是,以OLS回归的残差当期值为纵坐标,以其滞后值为横坐标(能够是滞后一期,也能够是滞后一期以上)画散点图。假如该图形有明显的趋向,则能够以为残差存在自有关。(2)有关系数查验法有关系数的方法是查验自有关的一个简单方法。其基本思想就是经过计算OLS回归获得的残差之间的一阶自有关系数,来确认能否存在自有关的现象。详细表示以下:etytxtb做协助回归etret1vtTTreett1et21t2t1明显,r是对有关系数的一个预计。可是这个方法的问题是:没有一个确立的标准来判断终究多大的有关尽数才能以为存在自有关。(3)Breusch-GodfreyLM查验