計量中的異方差性

計量中的異方差性圖4.1.1異方差性在散布圖上的反映

第2頁,共62頁，2024年2月25日，星期天4.1.2產生異方差性的原因在計量經(jīng)濟研究中，異方差性的產生原因主要有1．模型中遺漏了某些解釋變量2．模型函數(shù)形式的設定誤差3．樣本數(shù)據(jù)的測量誤差4．隨機因素的影響4.2異方差性的影響4.2.1對模型參數(shù)估計值無偏性的影響第3頁,共62頁，2024年2月25日，星期天

由此可見，隨機誤差項存在異方差性，并不影響模型參數(shù)最小二乘估計值的無偏性。4.2.2對模型參數(shù)估計值有效性的影響第4頁,共62頁，2024年2月25日，星期天

由此可見，當線性回歸模型的隨機誤差項存在異方差時，參數(shù)的最小二乘估計量不是一個有效的估計量。4.2.3對模型參數(shù)估計值顯著性檢驗的影響第5頁,共62頁，2024年2月25日，星期天第6頁,共62頁，2024年2月25日，星期天

4.2.4對模型估計式應用的影響4.3異方差性的檢驗4.3.1圖示檢驗法1．相關圖分析第7頁,共62頁，2024年2月25日，星期天第8頁,共62頁，2024年2月25日，星期天

例4.3.1

我國制造工業(yè)利潤函數(shù)。表4.3.1列出了1998年我國主要制造工業(yè)銷售收入與銷售利潤的統(tǒng)計資料(單位：億元)?，F(xiàn)以此數(shù)據(jù)資料為例，介紹檢驗異方差性的一些常用方法。表4.3.1我國制造工業(yè)1998年銷售利潤與銷售收入情況

第9頁,共62頁，2024年2月25日，星期天行業(yè)名稱銷售利潤y銷售收入x行業(yè)名稱銷售利潤y銷售收入x服裝制品業(yè)157.701779.10黑色金屬冶煉367.473868.28皮革羽絨制品81.701081.77有色金屬冶煉144.291535.16木材加工業(yè)35.67443.74金屬制品業(yè)201.421948.12家具制造業(yè)31.06226.78普通機械制造354.692351.68造紙及紙制品134.401124.94專用設備制造238.161714.73印刷業(yè)90.12499.83交通運精設備511.944011.53文教體育用品54.40504.44電子機械制造409.833286.15石油加工業(yè)194.452363.80電子通訊設備508.154499.19化學原料制品502.614195.22儀器儀表設備72.46663.68第10頁,共62頁，2024年2月25日，星期天

圖4.3.2我國制造業(yè)銷售利潤與銷售收入的相關圖

2．殘差分布圖分析先用最小二乘法估計模型，估計結果為:第11頁,共62頁，2024年2月25日，星期天

建立回歸模型之后，在方程窗口中點擊Resids按鈕可以得到模型的殘差分布圖，如果殘差分布的離散程度有明顯擴大的趨勢，則表明存在著異方差性。注意觀察之前需要先將數(shù)據(jù)關于解釋變量排序，命令格式為

SORTx第12頁,共62頁，2024年2月25日，星期天圖4.3.3殘差分布圖第13頁,共62頁，2024年2月25日，星期天4.3.2戈德菲爾德——匡特檢驗

檢驗的具體做法是：第一，將觀察值按解釋變量的大小順序排列，被解釋變量與解釋變量保持原來對應關系。第二，將排列在中間的約1／4的觀察值刪除掉，除去的觀察值個數(shù)記為c，則余下的觀察值分為兩個部分，每部分的觀察值個數(shù)為(n-c)/2。第14頁,共62頁，2024年2月25日，星期天第15頁,共62頁，2024年2月25日，星期天

SORTx

將樣本數(shù)據(jù)關于x排序

SMPL110確定子樣本1（在命令窗口輸入）

LSycx

求出RSS1=2579.587SMPL1928確定子樣本2LSycx

求出RSS2=63769.67

計算出F=63769.67／2579.587=24.72

從檢驗過程可以看出，G-Q檢驗適用于檢驗樣本容量較大、異方差性呈遞增或遞減的情況，而且檢驗結果與數(shù)據(jù)剔除個數(shù)c的選取有關。4.3.3懷特檢驗（H.Whitetest）不訪設回歸模型為二元線性回歸模型：第16頁,共62頁，2024年2月25日，星期天第17頁,共62頁，2024年2月25日，星期天表明回歸模型中參數(shù)至少有一個顯著地不為零，即隨機誤差項存在異方差性。反之，則認為不存在異方差性。利用EViews軟件可以直接進行White檢驗。例如對例4.1.1我國制造工業(yè)利潤函數(shù)，White檢驗的具體步驟為

(1)建立回歸模型：LSycx(2)檢驗異方差性：在方程窗口中依次點擊View＼ResidualTest＼WhiteHeteroskedasticity

此時可以選擇在輔助回歸模型中是否包含交叉乘積項(Crassterms)。輸出結果中obs*R-squared即White檢驗統(tǒng)計量，由其雙側概率可以判斷是否拒絕無異方差性的原假設。第18頁,共62頁，2024年2月25日，星期天表4.3.2懷特檢驗結果第19頁,共62頁，2024年2月25日，星期天4.3.4戈里瑟檢驗(Glejsertest)和帕克檢驗（Parktest）

其基本原理都是通過建立殘差序列對解釋變量的(輔助)回歸模型，判斷隨機誤差項的方差與解釋變量之間是否存在著較強的相關關系。戈里瑟提出如下的假定函數(shù)形式：第20頁,共62頁，2024年2月25日，星期天第21頁,共62頁，2024年2月25日，星期天帕克提出如下的假定函數(shù)形式：

第22頁,共62頁，2024年2月25日，星期天3．檢驗每個回歸方程參數(shù)的顯著性。如果其參數(shù)顯著地不為零，則存在異方差性，相反，則認為隨機誤差項滿足同方差假定。

Glejser檢驗的特點是：不僅能檢驗異方差性，而且通過“實驗”可以探測異方差的具體形式，這有助于進一步研究如何消除異方差性的影響。第23頁,共62頁，2024年2月25日，星期天異方差。利用EViews軟件進行Glejser檢驗的步驟為

LSycx第24頁,共62頁，2024年2月25日，星期天GENRlnx=log(x)LS

lnE2clnx運行結果如下：表4.3.3回歸結果第25頁,共62頁，2024年2月25日，星期天

上述回歸方程表明利潤函數(shù)存在異方差性。以上懷特檢驗、戈里瑟檢驗和帕克檢驗方法統(tǒng)稱為殘差回歸檢驗法。4.3.5ARCH檢驗（自回歸條件異方差檢驗）如果在建模分析中所用樣本資料是時間序列數(shù)據(jù)，當存在異方差性的時候，可考慮用ARCH(autoregressiveconditionalheteroskedasticity)方法檢驗，設ARCH過程為:第26頁,共62頁，2024年2月25日，星期天

則ARCH檢驗的基本步驟如下：

1．運用OLS方法對模型第27頁,共62頁，2024年2月25日，星期天

4.4.1模型變換法

模型變換法即對存在異方差性的模型進行適當?shù)淖兞孔儞Q，使變換后的模型滿足同方差假定。前提是要合理確定異方差性的具體形式，這可以通過用帕克檢驗、戈里瑟檢驗等方法所提供的異方差的具體形式來確定。設模型為一元線性回歸模型：第28頁,共62頁，2024年2月25日，星期天

第29頁,共62頁，2024年2月25日，星期天記：

第30頁,共62頁，2024年2月25日，星期天4.4.2加權最小二乘法(WLS)

加權最小二乘法是對原模型加權，使之變成一個新的不存在異方差性的模型，然后采用OLS法估計其參數(shù)。加權的基本思想是：在采用OLS方法時，對較小的殘差平方賦予較大的權數(shù)，對較大的殘差平方賦予較小的權數(shù)，以對殘差提供的信息的程度作一番校正，提高參數(shù)估計的精度。第31頁,共62頁，2024年2月25日，星期天第32頁,共62頁，2024年2月25日，星期天第33頁,共62頁，2024年2月25日，星期天第34頁,共62頁，2024年2月25日，星期天第35頁,共62頁，2024年2月25日，星期天

加權最小二乘估計的EViews軟件實現(xiàn)過程：

EViews軟件的具體執(zhí)行過程為

(1)生成權數(shù)變量；

(2)使用加權最小二乘法估計模型；

命令方式:LS(W=權數(shù)變量或表達式)ycx

菜單方式:

①在方程窗口中點擊Estimate按鈕；②在彈出的方程說明對話框中點擊Option進入?yún)?shù)設置對話框；③在參數(shù)設置對話框中選定WeightedLS方法，并在權數(shù)變量欄中輸入權數(shù)變量，然后點擊OK返回方程說明對話框；④點擊OK，系統(tǒng)將采用WLS方法估計模型。

(3)對估計后的模型，再使用White檢驗判斷是否消除了異方差性。

例4.4.1

我國制造工業(yè)利潤函數(shù)中異方差性的調整。

1．先用最小二乘法估計模型，估計結果為:第36頁,共62頁，2024年2月25日，星期天第37頁,共62頁，2024年2月25日，星期天依次鍵入命令：LS（W=W1）ycx

或直接鍵入命令：LS（W=1/x）ycx

或在方程窗口中點擊Estimate＼Options按鈕，并在權數(shù)變量欄輸入W1，可以得到以下估計結果：表4.4.1加權最小二乘法估計結果第38頁,共62頁，2024年2月25日，星期天

為了分析異方差性的校正情況，利用WLS估計出每個模型之后，還需要利用White檢驗再次判斷模型是否存在著異方差性，White檢驗結果如下：第39頁,共62頁，2024年2月25日，星期天4.4.3模型的對數(shù)變換

進行回歸，通?？梢越档彤惙讲钚缘挠绊?。其原因在于：（1）對數(shù)變換能使測定變量值的尺度縮小，它可以將兩個數(shù)值之間原來10倍的差異縮小到只有2倍的差異；（2）經(jīng)過對數(shù)變換后的線性模型，其殘差表示為相對誤差，而相對誤差往往具有較小的差異。

例4.4.2

我國制造工業(yè)利潤函數(shù)中異方差性的調整。用GENR生成序列l(wèi)ny和lnx，即在光標處鍵入：GENRlny=log（y）GENR

lnx=log（x）然后，用OLS方法求lny對lnx的回歸，其結果如下：第40頁,共62頁，2024年2月25日，星期天表4.4.2對數(shù)變換回歸結果

第41頁,共62頁，2024年2月25日，星期天

為了分析異方差性的校正情況，利用WLS估計出每個模型之后，還需要利用White檢驗再次判斷模型是否存在異方差性，White檢驗結果如下：

從殘差圖也可以看出不存在異方差性。

第42頁,共62頁，2024年2月25日，星期天

圖4.4.2給出了沒取對數(shù)模型殘差e與取對數(shù)模型殘差lne圖，e與lne相比，幾乎成為一條直線。說明了模型變換的作用。圖4.4.2沒取對數(shù)模型殘差e與取對數(shù)模型殘差lne圖第43頁,共62頁，2024年2月25日，星期天4.4.4廣義最小二乘法(GLS)對于多元線性回歸模型：第44頁,共62頁，2024年2月25日，星期天第45頁,共62頁，2024年2月25日，星期天第46頁,共62頁，2024年2月25日，星期天第47頁,共62頁，2024年2月25日，星期天第48頁,共62頁，2024年2月25日，星期天第49頁,共62頁，2024年2月25日，星期天4.5案例分析——中國農村居民人均消費函數(shù)

中國農村居民人均消費支出主要由人均純收入來決定。農村人均純收入除了從事農業(yè)經(jīng)營的收入外，還包括從事其他產業(yè)的經(jīng)營性收入及工資性收入、財產收入和轉移支付收入等。試根據(jù)表4.5.1數(shù)據(jù)，建立我國農村居民人均消費函數(shù)（采用對數(shù)模型）：第50頁,共62頁，2024年2月25日，星期天表4.5.1中國2001年各地區(qū)農村居民家庭人均純收入與消費支出（單位：元）第51頁,共62頁，2024年2月25日，星期天第52頁,共62頁，2024年2月25日，星期天資料來源：《中國農村住戶調查年鑒》（2002）

《中國統(tǒng)計年鑒》（2002）

第53頁,共62頁，2024年2月25日，星期天1．首先用OLS法建立我國農村人均消費函數(shù)，估計結果如下表4.5.2OLS法回歸結果第54頁,共62頁，2024年2月25日，星期天

回歸結果顯示，其他收入的增長，對農戶人均消費支出的增長更有刺激作用。

2．檢驗模型是否存在異方差

(1)圖示法：可以認為，不同地區(qū)農村人均消費支出的差別主要來源于非農經(jīng)營收入的差別，因此，如果存在異方差性，則可能是x2引起的。模型OLS回歸得到的殘差平方e2與lnX2、lnX1的散點圖（圖4.5.1）表明存在單調遞增異方差性第55頁,共62頁，2024年2月25日，星期天圖4.5.1異方差性檢驗圖第56頁,共62頁，2024年2月25日，星期天

（2）Goldfeld-Quandt檢驗

將原始數(shù)據(jù)按x2排成升序，去掉中間的7個數(shù)據(jù)，得到兩個容量為12的子樣，對兩個子樣分別作OLS回歸，求各自殘差平方和RSS1和RSS2，利用EViews進行(G-Q)檢驗的具體步驟為

SMPL112確定子樣本1LSlnYclnX1lnX2求出RSS1=0.064957SMPL2031確定子樣本2LSlnYclnX1lnX2求出RSS2=0.203824

計算F=0.203824／0.064957=31.3