第二篇放松经典模型的假定.ppt

第2篇 放松经典模型的假定 经典模型的假定 1、参数线性模型 2、X的值在重复抽样中是固定的（非随机） 3、给定X，扰动项的均值为0 4、给定X，扰动项同方差 5、给定X，扰动项无自相关 6、若X随机，扰动项与X独立，或不相关 7、观测值个数大于回归元个数 8、回归元的取值必须有足够的变异性 9、模型设定正确 10、回归元之间不存在多重共线性 11、扰动项服从正态分布 满足上述假定OLS估计量是BLUE，且估计参数服从正态分布 前述假定可分为两类： 1、对扰动项的假定（1，2，3，4，5，9，11） 2、对数据（回归元）的假定（6，7，8，10） 对扰动项和模型设定假设主要讨论三类问题： 1、偏离经典假定多远才会产生不可忽视的影响； 2、如何发现某一假定被破坏； 3、不满足经典假定时如何补救； 对数据的假设也会遇到类似的问题 一般性的结论 1、回归元非随机和回归元独立于扰动项是可以相互替代的，回归元独立于扰动项不会改变OLS估计的性质； 2、扰动项均值非0，只会导致截距估计量有偏，对其他估计量的性质无影响 3、扰动项不服从正态分布，OLS估计量仍然是BLUE，但对小样本而言t检验和F检验无效，对大样本t检验F检验渐近有效 对不满足经典假设情况的分析路线 1、明确问题的性质：不满足那个假设，表现形式如何 2、分析其影响：参数估计？假设检验 3、侦测的方法：如何发现 4、补救措施 第10章 多重共线性 10.1 多重共线性的性质 多重共线性：回归元之间存在完全或准确的线性关系。即某个回归元可以由其他回归元线性表示（或增加一个小的扰动，此时为非完全共线性）。 完全共线性导致回归系数是不确定的，且标准误为无穷大。 非完全共线性虽然回归系数可确定，但标准误非常大。 多重共线性产生的原因 1、数据采集所用方法：如在回归元的有限范围内取值 2、模型或从中取样的总体受到约束：回归元在本质上联系密切 3、模型设定：在回归中添加多项式，但X的变化范围较小 4、过度决定模型：观测值个数少于参数个数 5、回归元有相同的趋势 10.5 多重共线性的实际后果 1、OLS估计量虽然是BLUE，但有大的方差和协方差，故难以做出精确的估计 2、置信区间更宽，更容易接受系数等于0的原假设 3、一个或多个系数的t统计量很小（绝对值）倾向于统计不显著 4、拟合优度R-2可能很高 5、OLS估计量及其标准误对数据的微小变化很敏感 10.6 消费、收入和财富的关系 模型：用收入和财富解释消费 系数的置信区间 微小变化的敏感性 收入和消费都减小10%，估计原方程 10.7 多重共线性的侦察 多重共线性本质上是一种样本现象（非总体现象），且只有强度大小之分，而无存在与否之分。 没有侦查多重共线性强弱的唯一方法 经验侦查方法： 1、R-2高，F统计量显著，但多个t统计量不显著 2、回归元之间有高度的两两相关 3、辅助回归：经验法则——仅当来自一个辅助回归的R-2大于Y对所有回归元的R-2时，多重共线性才是严重的 4、病态指数 5、容许度（1-Ri-2）：越小表明多重共线性程度越严重 10.8 补救措施 1、先验信息 2、截面数据与时间序列数据并用 3、剔除变量与设定偏误 4、变量代换（差分回归、比率回归） 5、补充新数据，增大样本容量 10.10 相关系数 辅助回归的R-2 补救措施 1、使用实际GNP，RGNP=GNP/X1 2、人口与时间高度相关，模型中不包含时间因素X6 3、失业人数与就业人数之间的近似互补，将其纳入模型并无实际意义 故估计如下模型： Y=C+beta1*X2/X1+beta2*X4+beta3*X5