Chapter3 广义最小二乘法
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
第1章 广义最小二乘法
在经典假定条件下,OLS 估计量具有BLUE 性质。解释变量与误差项不相关保证了OLS 估计量的无偏性,误差项的同方差、无序列相关保证了OLS 估计量的有效性。但实践中,这些假定很可能被违背。因此,模型估计之后需要检验这些假定是否得到满足;如果某些假定被违背的的话,则需要对其进行修正。本章介绍异方差、自相关情况下的模型修正。
1.1 异方差和自相关的概念
在随机误差项u 满足同方差和没有序列自相关的假定下,u 的方差协方差矩阵Var(u ) 是一个对角矩阵。即Var(u )主对角线上的元素都是相同的常数;非主对角线上的元素为零。当这两个假定不成立时,V ar(u ) 不再是一个纯量对角矩阵。
Var(u ) = Ω = ⎪⎪
⎪⎪
⎪
⎭
⎫
⎝⎛TT T T T T σσσ
σσσ
σσσ (2)
122221
11211≠σ 2 I 1.1 当Var(u )主对角线上的元素不相等时,表示误差项存在异方差。如果非主对角线上的元
素不为0,表示误差项存在序列相关。当模型存在异方差或自相关时,
1ˆE(|)E[(')'|]-=+=β
X βX X X u X 0 111
1
2
1
ˆˆˆVar(|)E[()()'|]E[(')''(')|](')'(')(')
σ-----=--= =≠β
X ββββX X X X uu X X X X X X X ΩX X X X X
因此,异方差和自相关不会影响OLS 估计量的无偏性,但会导致非有效性。存在异方
差或自相关时,参数估计量的方差估计量σ 2 (X 'X )-1是真实方差的有偏估计量,可能会低估或高估真实的方差。t 统计量不再服从t 分布,即使是在大样本的情况下也是如此。F 统计量也不再是F 分布。由此导致错误的推断或预测。比如,σ 2 (X 'X )-1低估了真实方差,那么t 统计量就高估了,就容易将不显著的变量错误地判断为显著。
1.2 广义最小二乘法
要解决异方差和自相关的问题,需要对模型的进行适当的转换,使得转换后模型的误差性满足同方差、无序列相关的假定条件。这即是广义最小二乘法(GLS )。
假设var()=u Ω,那么对于正定矩阵可以找到矩阵M ,使得
1''-=⇒=M ΩM I M M Ω
在方程两边同时乘以M ,得到转换后的新模型: =+⇒=+y X βu My MX βMu
令***,,= = =y My X MX u Mu ,即***=+y X βu 。
新的随机误差项的协方差矩阵为*var()E('')'===u Muu M M ΩM I ,显然是同方差、无序列相关的。目标函数,即残差平方和,为:
**1ˆˆˆˆˆˆ()'()'''Q -===Mu
Mu u M Mu u Ωu 即,目标函数是u 的加权平方和,而权数矩阵则是u 的协方差矩阵的逆矩阵。根据一阶条
件,新模型的OLS 估计量即是原模型的GLS 估计量。
**1**1111ˆ(')'('')''(')'GLS
-----===βX X X y X M MX X M My X ΩX X Ωy 具有BLUE 性质,而转换后模型的参数估计量与最初模型的参数是完全相同的。 如果模型存在异方差,则协方差矩阵Ω和转换矩阵M 分别为:
21
12
2221/001/01/0n n σσσσσσ⎛⎫⎛⎫ ⎪ ⎪
⎪ ⎪=⇒= ⎪ ⎪ ⎪ ⎪ ⎪⎝⎭⎝
⎭ΩM 即对每个观测值赋予不同的权数,权数即标准差的倒数。因此,异方差情况下的GLS
也称作加权LS 方法。
对于自相关问题,协方差矩阵Ω取决于自相关的形式。自相关的一般表达式为:
11t t k t k t u u u v φφ--=+++ 。
对于AR(1)过程11t t t u u v φ-=+,
11E[]E[]E[]t t k t t k t k t u u u u u v φ----=+
可得到不同期误差项的协方差,
222
0110111011
0:/(1)
0:v v k k k k γφγσγσφγφγγφγ-⎫= =+⎪⇒=-⎬> = ⎪⎭ =
协方差矩阵Ω和转换矩阵M 分别为:
2110123
1 (101)
...1..
.
..1...101T T T T T na
na ρ
ρρρρ
ρ
ργρ
ρρρ-----⎡⎤
⎡⎤⎢⎥-⎢⎥⎢⎥⎢
⎥
⎢⎥=⇒=⎢⎥⎢
⎥⎢⎥⎢⎥⎢⎥⎣⎦⎢⎥-⎣⎦
ΩM 由于差分缺少了第一个观测值。转换后的变量即是原来变量的广义差分变量,差分系数
即是自回归系数。因此,自相关情况下的GLS 方法也称作广义差分LS 方法。
对于AR(p)过程,差分过程中损失掉前p 个观测值。转换后的变量即是原来变量的p 阶广义差分变量,差分系数即是p 阶自回归系数。
实践中,Ω一般是未知的。因此,要修正异方差或自相关问题,必须首先估计协方差矩阵Ω。即,首先得到Ω的一致估计量,然后再进行GLS 估计。这即是可行的GLS 估计(FGLS )
或两步GLS 估计。本章1.3节和1.4节介绍如何在异方差或自相关模型中估计Ω。
在进行GLS 估计之前,首先要对异方差和自相关进行检验。如果模型中存在显著的异方差或自相关问题,再进行GLS 估计。接下来,我们介绍异方差和自相关检验的常用方法。
1.3 异方差的检验与估计
异方差的基本假定形式
H 0: E(u i 2|x 1, x 2, …, x k ) = E(u i 2|x 1, x 2, …, x k ) = σ2
即,u i 的条件方差是相同的,或者说当u i 与x 1, x 2, …, x k 不相关时,u i 的方差是相同的。如果u i 存在异方差,那么说明u i 与x 1, x 2, …, x k 存在相关性。因此,检验异方差的基本思路是考察u i 与x 1, x 2, …, x k 是否存在相关性,以及什么形式的相关性。 1.3.1
Breusch and Pagan /Cook-Weisberg 检验
根据异方差检验的基本思路,Breusch and Pagan (1979)和Cook and Weisberg (1983)假设异方差形式为
Var()=+u X γv 在同方差条件下,上式中每个解释变量的回归系数都不应该具有显著性,即γ=0。实践际检验用OLS 估计的残差的平方代替Var(u)。步骤如下。
Step1:估计方程=+y X βu ,提取残差平方2ˆu
。 Step2:估计方程22ˆˆ/σ=+u
X γv ,利用F 、LM=T*R2或得分统计量Score=RSS/2检验整个方程的显著性。
在第2步中,也可以用被解释变量的拟合值作为解释变量,即201ˆˆγγ=++u
y v 。 1.3.2 White 检验
White (1980)是通过更一般的形式检验异方差,它对异方差的形式没有要求。基本检
验步骤如下。
Step1:估计方程:=+y X βu ,提取残差平方2ˆu
。 Step2:估计方程:2212ˆ=++u
X γX γv ,2X 表示所有变量的二次项。利用F 、LM=TR 2统计量检验整个方程的显著性。
在第2步中,检验方程也可以采取形式:22123
ˆ=+++u X γX γX γv 。其中,X 表示所有变量的两两交叉积。