Eviews6章基本回归模型的OLS估计

EViews统计分析基础教程
四、非线性最小二乘法（NLS）
基本原理： 设定非线性回归模型的一般式为 yi = f(xi, ,β) + μi i=1，2,…，n 则其残差平方和为
（1）
2 n ˆ S ( ) = y f （2） ˆ xi , i i 1 能使(2)达到最小的为参数β的非线性最小二乘估计。要 得到β的估计值，首先对式（1）中的β求偏导，然后令 该式等于0。 还可以通过迭代法求的近似值，先给出参数估计的初始 值，然后通过迭代法得到一个新的估计值，重复迭代直 到估计值收敛为止。
EViews统计分析基础教程
五、广义矩估计（GMM）
EViews基本操作： 选择主菜单栏中 “Object”|“New Object”|“Equation”选项， 或者选择“Quick”|“Estimate Equation” 选项，在 “Method”中选择“GMM”后弹出如下图所示的方程设 定对话框。
EViews统计分析基础教程
本章小结：
• 了解WLS、GLS、NLS、TSLS、GMM五种估计方 法的基本原理 • 掌握这五种估计法的EViews相关操作
EViews统计分析基础教程
一、加权最小二乘法（WLS）
1.异方差问题的解决
消除方法（EViews操作） 在“Specification”选项卡的“Equation specification”文 本框中输入用OLS（普通最小二乘法）估计的方程。 在“Options”选项卡中，选中“Weighted LS/TSLS”复 选框，并在“Weighted”的文本框中输入加权序列的名 称，例如输入“w”。 加权序列“w ”用OLS估计模型 时得到的残差序列的绝对值的 倒数序列。填好后再单击 “确定”按钮
在“Equation specification”（方程设定）中列出方程的被 解释变量和所有解释变量（包括常数项），在 “Instrument list”（工具变量列表）中，列出工具变量名。
注意：工具变量的个数不能比被估计参数的个数少，否则广义矩估 计法（GMM）的估计量不可识别。同样，在这里常数项会被自动 加入工具变量列表中。
基本思路： 赋予每个观测值残差不同的权数，从而使得回归模型的随 机误差项具有同方差性。
EViews统计分析基础教程
一、加权最小二乘法（WLS）
1.异方差问题的解决
基本原理： 设一元线性方程为
yt =β0 +β1xt +μt 如果随机误t差项的方差Var(μt)与解释变量成比例关系，
即
Var(μt) = σt2 = f(xt)×σ2 说明随机误差项的方差与解释变量xt之间存在相关性，即存
EViews统计分析基础教程
三、两阶段最小二乘法（TSLS）
基本原理：
两阶段最小二乘法分两个阶段： 第一阶段:找到工具变量，用最小二乘估计法（OLS）对 模型中的每一解释变量与工具变量做回归； 第二阶段:用第一阶段的拟合值代替内生变量，对原方 程进行第二次回归，这次回归得到的系数就是用两阶段 最小二乘法得到的新估计值。
EViews统计分析基础教程
五、广义矩估计（GMM）
EViews基本操作： 选择主菜单栏中 “Object”|“New Object”|“Equation”选项， 或者选择“Quick”|“Estimate Equation” 选项，在 “Method”中选择“GMM”后弹出如下图所示的方程设 定对话框。
EViews统计分析基础教程
二、广义最小二乘法（GLS）
广义最小二乘法（Generalized Least Squared，GLS） 常用来对存在序列相关和异方差的模型进行估计。普通 最小二乘法（OLS）和加统计分析基础教程
二、广义最小二乘法（GLS）
在异方差问题。
EViews统计分析基础教程
一、加权最小二乘法（WLS）
1.异方差问题的解决
消除方法： 用
1 f
x 乘以一元线性方程的两端，得
i
1 f
x
i
yt = f β 0 + x
i
1
f x i
1
β 1 xt +
1
μt)2 = E(μt)2 = σ2 f x f x 从而，消除了异方差，随机误差项同方差。这时再用普通 最小二乘法（OLS）估计其参数，得到有效的β0，β1估 计量。 则，Var(
EViews统计分析基础教程
三、两阶段最小二乘法（TSLS）
EViews操作：
在上图的方程设定（Equation specification）的文本框中 列出解释变量和被解释变量， 在工具变量列表（Instrument list）的文本框中输入工具 变量。 在进行两阶段最小二乘估计时，方程中的工具变量数至 少要与估计系数相等。常数项常常用来做工具变量。
EViews统计分析基础教程
四、非线性最小二乘法（NLS）
非线性模型包括可线性化的非线性模型和不可线性化的 非线性模型。可线性化的模型是指该模型可以通过线性 化的处理变为线性模型，如一元二次方程，幂函数等。 例如： y =axb lny =lna+blnx 即 y﹡=a﹡+bx﹡ 并非所有的函数均可被线性化，能被线性化的可以继续 用OLS等线性回归模型适用的方法进行估计，不能被线 性化的模型就可以用非线性最小二乘法（Nonlinear Least Square，NLS）进行估计。
EViews统计分析基础教程
五、广义矩估计（GMM）
广义矩估计法（Generalized Method of Moments，GMM） 则可以不受模型假定的限制，它不要求随机扰动项一定 非序列相关，不存在异方差等，并且所得到的参数估计 值比用其他估计方法得到的参数估计值更与实际接近。 广义矩估计法（GMM）是一个大样本估计，其估计量 在大样本下有效，在小样本下无效。
EViews统计分析基础教程
三、两阶段最小二乘法（TSLS）
EViews操作：
选择主菜单栏中的“Object”| “New Object” | “Equation” 选项，或者选择“Quick”| “Estimate Equation” 选项，在 打开的方程对话框的“Method”种选择“TSLS”法，会得 到如下对话框。
i i i
f x μt) = E(
1
f x i
1
μt
1
EViews统计分析基础教程
一、加权最小二乘法（WLS）
1.异方差问题的解决
消除方法（EViews操作） （1）用最小二乘法（OLS）估计方程，得到残差序列； （2）根据残差序列计算出加权序列； （3）选择EViews主菜单栏中的“Quick”| “Estimate Equation”选项，弹出下图所示的对话框。 包括两个选项卡： （1）“Specification”选项 卡 （2）“Options”选项卡
EViews统计分析基础教程
二、广义最小二乘法（GLS）
基本原理： 再求模型(3)的滞后1期即(t-1)期的回归模型，并在两侧 同乘 yt-1= 0 + 1x1t-1 +2x2t-1 +…+kxkt-1+ ut-1 (4) 用（2）式与(4)相减，得 ut- yt-1 = 0 (1-)+1(x1t-x1t-1)+ …+k(xk-1- xkt-1) + vt (5) 令 yt* = yt - yt -1 xjt* = xjt -xjt -1, j = 1 , 2 , … k (6) 0* = 0 (1 - ) 则yt* = 0*+ 1 x1 t* + 2 x2 t* +… + k xk t* + vt 如果模型不存在异方差和序列相关，则使用广义最小二 乘法等于普通最小二乘法。
EViews统计分析基础教程
第6章 基本回归模型的OLS估计
重点内容：
• 加权最小二乘法（消除异方差）
• 广义最小二乘法（消除序列相关和异方差）
• 广义矩估计
EViews统计分析基础教程
一、加权最小二乘法（WLS）
1.异方差问题的解决
当线性回归模型出现异方差时，所得到的估计量是非有效 的。用加权最小二乘法（WLS）可以解决异方差问题。



EViews统计分析基础教程
四、非线性最小二乘法（NLS）
EViews操作： 选择主菜单栏中 “Object”|“New Object”|“Equation”选项， 或者选择“Quick”|“Estimate Equation” 选项，打开方程 设定对话框，在“Equation specification”中输入非线性模 型的表达式，如“y c 1/x”，即为双曲线的回归模型。 EViews软件会自动用非线性最小二乘法（NLS）进行估 计，因而建立方程时，只输入非线性表达式即可。例如 y =axb ，只需输入“y= c(1)*x^c(2)”即可。
基本原理：
通过变换原回归模型，使随机误差项消除自相关，进而 利用普通最小二乘法估计回归参数 。 设原回归模型是 yt = 0 + 1x1t + 2 x2t+…+ kxkt +ut (t = 1, 2, …, n )（1） 其中，ut具有一阶自回归形式 ut = ut-1 + vt （2） vt 满足线性回归模型的基本假定条件，把（2）式代入 （1）式中，得 yt = 0+1x1t+2x2t+…+0xkt+ut- 1 + vt （3）
EViews统计分析基础教程
五、广义矩估计（GMM）
基本原理： 广义矩估计是设定参数满足的一种理论关系。其原理是 选择参数估计尽可能接近理论上关系，把理论关系用样 本近似值代替；并且估计量的选择就是要最小化理论值 和实际值之间的加权距离。参数要满足的理论关系通常 是参数函数f(θ)与工具变量Zt之间的正则条件，即 E[f(θ)′Z]=0，θ是被估计参数 广义矩估计法（GMM）中估计量选择的标准是，使工 具变量与函数f(θ)之间的样本相关性越接近于0越好。