异方差
异方差的实质
不同样本的残差项方差不同,即,于有关
产生的原因
- 模型中忽略了重要变量,的相关性归入了残差项。
- 模型设定错误,如非线性关系设定为线性关系,忽略重要解释变量。
- 数据测量误差。
- 截面数据中总体各单位的差异。截面数据比时间序列数据更容易产生异方差。
异方差的后果
- 不变:OLS参数估计的线性性和无偏性
- 变:OLS参数估计的最小方差性变了,变得更小
异方差的检验
图示法
第一步:将数据导入Eviews
data y x
第二步:画图:如果随着的增加,的离散程度有增加或减小的趋势则存在异方差。
scat x y
第三步:残差分布图分析: 建立模型,对进行排序,在Equation窗口点击 Resids,观察残差分布的离散程度有无扩大趋势。
ls y c x
sort x
以上检验说明序列存在异方差性。
GQ检验
- 原理:先将解释变量排序,删除中间C个样本(),最终取两个样本分别建立回归模型,比较和,统计量:若两者存在显著差异,则表明存在异方差。
- 前提条件使用大样本容量,样本容量不低于参数个数的两倍。
- 假设
- 判断若 ,则拒绝原假设
sort x
smpl 1 10 # 确定样本1
ls y c x # RRS1 = 2579.59
smpl 19 28 # 确定样本2
ls y c x #RRS2 = 63769.67
White检验
- 原理:建立辅助回归模型
- 假设,没有异方差
- 判断:统计量大于临界值则拒绝原假设。
- 优点:可以判断是那个变量的哪种形式引起的异方差
- 缺点:引入太多变元,容易消耗*度,有时可以把交叉项去掉
ls y c x
在Equation中:View\ Residual Diagnostics \ Heterosk…\ white
Glejser检验
- 原理:建立辅助回归模型
- 优点:可以判断是那个变量的哪种形式引起的异方差
- 缺点:函数形式不易确定,检验量太大
- 原假设:系数全等于0,不存在异方差
异方差的补救
-
加权最小二乘法
从White 检验和Glejser检验得到异方差是由哪个变量的具体形式得到的之后
ls(w = 形式) y c x
- 对数变化法
genr lny = log(y)
genr lnx = log(x)
ls lny c lnx
再进行white检验