经典计量回归模型应用计量经济学.ppt

其中 为 与 相关系数的估计 第六十二页，共九十四页，2022年，8月28日 DW检验： ： ，（ 一阶非自相关） 第六十三页，共九十四页，2022年，8月28日 第六十四页，共九十四页，2022年，8月28日 第六十五页，共九十四页，2022年，8月28日 DW检验的缺陷： 1）只能检验残差的一阶自相关。 2）当解释变量中出现被解释变量的滞后变量时，DW不再适用。 第六十六页，共九十四页，2022年，8月28日 如果存在异方差，最小二乘估计仍具有无偏性与一致性，但估计量不再是最优的，不满足最小方差性。估计量的分布受到影响。 第三十页，共九十四页，2022年，8月28日 如果仍用 来估计 ，显然这种估计是有偏的，不一致的。建立在这样一个 的t检验与F检验可能产生严重的误导，得出错误的结论。 第三十一页，共九十四页，2022年，8月28日 3、异方差的判断 1）残差序列分析. A、不存在异方差 Y 第三十二页，共九十四页，2022年，8月28日 B、存在异方差，残差方差随y的增大而增大。 Y 第三十三页，共九十四页，2022年，8月28日 缺点：在样本期太短时无法判断。 第三十四页，共九十四页，2022年，8月28日 2）异方差检验 Park异方差检验步骤： A、回归方程，得方程得残差序列。 B、取残差序列的平方，再估算一个方程： C、如果 值统计显著，说明数据存在异方差。 第三十五页，共九十四页，2022年，8月28日 White异方差检验 White异方差检验思想：以两变量为例，若原始的回归为 检验就以扩展的回归式为基础： 第三十六页，共九十四页，2022年，8月28日 White异方差检验的输出结果给出了F统计量以及自由度为扩展回归式中回归因子个数的 分布。 判断：1、如果回归元系数都不显著，则认为不存在异方差，如果有任何一个回归元的系数显著，则认为该模型存在异方差。2、F统计量及 分布在设定的显著水平接受原假设，即所有的回归原系数为0，则认为不存在异方差。 第三十七页，共九十四页，2022年，8月28日 一个实例：货币供给增长率对GDP的影响。 第三十八页，共九十四页，2022年，8月28日 Estimation Equation: GNP = C(1) + C(2)*M2 第三十九页，共九十四页，2022年，8月28日 结果： 第四十页，共九十四页，2022年，8月28日 异方差检验： 第四十一页，共九十四页，2022年，8月28日 结果： 第四十二页，共九十四页，2022年，8月28日 判断：各回归元系数均不显著，F检验接受回归元系数为0的原假设，说明不存在异方差。 第四十三页，共九十四页，2022年，8月28日 4、异方差的处理 1）加权最小二乘法。 思想：若知道 的形式，如果某变量 与 成倒数关系，则把 与各解释变量相乘，消除异方差。 第四十四页，共九十四页，2022年，8月28日 加权最小二乘法在Eviews里的实现。 第四十五页，共九十四页，2022年，8月28日 第四十六页，共九十四页，2022年，8月28日 第四十七页，共九十四页，2022年，8月28日 第四十八页，共九十四页，2022年，8月28日 3）怀特（White）异方差调整 怀特异方差一致协方差矩阵 第四十九页，共九十四页，2022年，8月28日 4）对原始序列取对数，再建立线性模型是消除模型异方差的一个有效的方法。 第五十页，共九十四页，2022年，8月28日 三、自相关 1、自相关的定义： 序列中的观测值之间的相关。 第五十一页，共九十四页，2022年，8月28日 如果某个回归模型的残差存在类似如下关系： 其中 ,说明残差序列存在（一阶）自相关。 第五十二页，共九十四页，2022年，8月28日 2、自相关的产生 A、惯性。对大多数经济变量来说，如GDP、价格指数、就业等时间序列都呈现一种商业循环。 B、模型设定偏误。 第五十三页，共九十四页，2022年，8月28日 1）模型变量缺失。 如果模型的形式为： 而我们采用的回归形式为： 则回归误差项： ，误差表现为一种系统性变化的特征，造成自相关。 第五十四页，共九十四页，2022年，8月28日 2）、忽略了模型的滞后效应。 如在消费模型中，消费不仅仅依赖于当期的收入水平，由于消费者不会轻易改变他们的消费习惯，因此他们的消费支出还依赖于前期的消费支出，既有： 如果忽略了滞后项，则模型的误差项由于滞后变量对当前变量的影响而反映出一种系统性变化的特征，