jljj五章2.pptVIP

方法： ** 一、加权最小二乘法 二、对原模型变换的方法 三、“一般解决法”（模型的对数变换） 补救异方差的基本思路： 1、变异方差为同方差 2、尽量缓解方差变异的程度 目的：为了弥补异方差造成的严重后果（参数估计的方差不满足有效性(参数估计的方差不再具有最小性）； 参数的显著性检验（t 检验)失效；预测精度降低） 。 基本思想： 当所估计模型不满足古典假设时，直接运用最小二乘法得到的参数估计量不是最佳的， 于是就对模型进行转换，即通过适当的变换，将不满足古典假设的模型变换为满足古典假设的模型 再对转换模型进行最小二乘法估计，获得参数的BLUE估计，走一条“曲线估计”之路。这种思想被称为广义最小二乘的思想。 如何理解？ 其中： 对不满足古典假设的模型实施转换，形成转换模型： 此时，转换模型满足古典假设： 对转换模型实施最小二乘法，有 对此表达式的解释，注意两层含义： （1）与普通最小二乘原则的区别； （2）权重 的确定。 （广义最小二乘法-加权最小二乘法） 根据离差平方和最小建立起来的OLS法 同方差时：认为各 ei 提供信息的重要程度是一致的，即将各样本点提供的残差一视同仁。 异方差时：离散程度大的ei 对应的回归直线的位置很不精确，拟合直线时理应不太重视 们提供的信息。即 Xi 对应的 ei 偏离大的所提供的信息贡献应打折扣，而偏离小的所提供的 信息贡献则应于重视。因此采用权数对残差提供的信息的重要程度作一番校正，以提高估计 精度。这就是 WLS（加权最小二乘法）的思路。 2、加权最小二乘法的机理 以递增型为例。设权术WI与异方差的变异趋势相反，如 （Wi使异方差经受了“压缩”和“扩张”变为同方差）。 . （权数相等）， WLS 是OLS法。 3、加权最小二乘法的定义 模型估计的加权最小二乘法，即求满足 4、加权最小二乘法在EViews上的实现 例：假定以序列XH为权术，在EViews中，可以在LS命令中使用加权处理方式来完成加权的最小二乘法估计： LS （W=XH） Y C X EViews中有加权最小二乘法的命令 LS （W=权数名）Y C X LS // Dependent Variable is CHX Weighting series: SHRW Sample: 1 31 Included observations: 31 Variable Coefficient Std. Error T-Statistic Prob. C -571.8496 105.8066 -5.404667 0.0000 SHR 0.076623 0.006294 12.17389 0.0000 Weighted Statistics R-squared 0.501807 Mean dependent var 877.7359 Adjusted R-squared 0.484628 S.D. dependent var 423.6204 S.E. of regression 304.1144 Akaike info criterion 11.49715 Sum squared resid 2682082. Schwartz criterion 11.58966 Log likelihood -220.1929 F-statistic 29.21043 Durbin-Watson stat 1.149682 Prob(F-statistic) 0.000008 WLS处理结果 UnWeighted Statistics WLS处理后的残差图 2、模型变换法的关键是： 二、对原模型变换的方法 1、模型变换法的定义 模型变换法是对存在异方差的总体回归模型作适当的代数变换，使之成为满足同方 差假定