应用回归分析第四章部分答案

1、第4章 违背基本假设的情况4.1 答：例4.1：截面资料下研究居民家庭的储蓄行为 其中：Yi表示第i个家庭的储蓄额，Xi表示第i个家庭的可支配收入。由于高收入家庭储蓄额的差异较大，低收入家庭的储蓄额则更有规律性，差异较小，所以i的方差呈现单调递增型变化。 例4.2：以某一行业的企业为样本建立企业生产函数模型 被解释变量：产出量Y，解释变量：资本K、劳动L、技术A，那么每个企业所处的外部环境对产出量的影响被包含在随机误差项中。由于每个企业所处的外部环境对产出量的影响程度不同，造成了随机误差项的异方差性。这时，随机误差项的方差并不随某一个解释变量观测值的变化而呈规律性变化，呈现复杂型。4.2 答：

2、回归模型一旦出现异方差性，如果仍采用OLS估计模型参数，会产生下列不良后果：1、参数估计量非有效2、变量的显著性检验失去意义3、回归方程的应用效果极不理想总的来说，当模型出现异方差性时，参数OLS估计值的变异程度增大，从而造成对Y的预测误差变大，降低预测精度，预测功能失效。4.3 答：普通最小二乘估计就是寻找参数的估计值使离差平方和达极小。其中每个平方项的权数相同，是普通最小二乘回归参数估计方法。在误差项等方差不相关的条件下，普通最小二乘估计是回归参数的最小方差线性无偏估计。然而在异方差的条件下，平方和中的每一项的地位是不相同的，误差项的方差大的项，在残差平方和中的取值就偏大，作用就大，因而普

3、通最小二乘估计的回归线就被拉向方差大的项，方差大的项的拟合程度就好，而方差小的项的拟合程度就差。由OLS求出的仍然是的无偏估计，但不再是最小方差线性无偏估计。所以就是：对较大的残差平方赋予较小的权数，对较小的残差平方赋予较大的权数。这样对残差所提供信息的重要程度作一番校正，以提高参数估计的精度。加权最小二乘法的方法：4.4答：运用加权最小二乘法消除多元线性回归中异方差性的思想与一元线性回归的类似。多元线性回归加权最小二乘法是在平方和中加入一个适当的权数 ，以调整各项在平方和中的作用，加权最小二乘的离差平方和为： （2）加权最小二乘估计就是寻找参数的估计值使式（2）的离差平方和达极小。所得加权最

4、小二乘经验回归方程记做 （3） 多元回归模型加权最小二乘法的方法:首先找到权数，理论上最优的权数为误差项方差的倒数,即 （4）误差项方差大的项接受小的权数，以降低其在式（2）平方和中的作用; 误差项方差小的项接受大的权数，以提高其在平方和中的作用。由（2）式求出的加权最小二乘估计就是参数的最小方差线性无偏估计。一个需要解决的问题是误差项的方差是未知的,因此无法真正按照式（4）选取权数。在实际问题中误差项方差通常与自变量的水平有关(如误差项方差随着自变量的增大而增大),可以利用这种关系确定权数。例如与第j个自变量取值的平方成比例时, 即=k时,这时取权数为 （5）更一般的情况是误差项方差与某个自

5、变量(与|ei|的等级相关系数最大的自变量)取值的幂函数成比例，即=k,其中m是待定的未知参数。此时权数为 （6）这时确定权数 的问题转化为确定幂参数m的问题，可以借助SPSS软件解决。4.5证明：由得：4.6证明：对于多元线性回归模型 （1） ，即存在异方差。设，用左乘（1）式两边，得到一个新的的模型：，即。因为，故新的模型具有同方差性，故可以用广义最小二乘法估计该模型，得原式得证。4.7 答：不同意。当回归模型存在异方差时，加权最小二乘估计（WLS）只是普通最小二乘估计（OLS）的改进，这种改进可能是细微的，不能理解为WLS一定会得到与OLS截然不同的方程来，或者大幅度的改进。实际上可以构

6、造这样的数据，回归模型存在很强的异方差，但WLS 与OLS的结果一样。加权最小二乘法不会消除异方差，只是消除异方差的不良影响，从而对模型进行一点改进。4.8 解：用公式计算出加权变换残差，分别绘制加权最小二乘估计后的残差图和加权变换残差图（见下图）。根据绘制出的两个图形可以发现加权最小二乘估计没有消除异方差，只是对原OLS的残差有所改善，而经过加权变换后的残差不存在异方差。4.9 解（1）SPSS输出结果如下：由上表可得回归方程为：残差图为：（2）a由残差散点图可以明显看出存在异方差，误差的方差随着的增加而增大。b用SPSS做等级相关系数的检验，结果如下表所示：相关系数xabseiSpearm

7、an 的 rhox相关系数1.000.318*Sig.（双侧）.021N5353absei相关系数.318*1.000Sig.（双侧）.021.N5353*. 在置信度（双测）为 0.05 时，相关性是显著的。得到等级相关系数，P值=0.021，认为残差绝对值与自变量显著相关，存在异方差。（3）SPSS输出结果如图：系数a模型非标准化系数标准系数tSig.B标准 误差试用版1(常量)-.683.298-2.296.026x.004.000.8219.930.000a. 因变量: y由上述表可得，在时对数似然函数达到最大，则幂指数的最优取值为。加权后的回归方程为：。计算加权后的残差，并对残差绝对

8、值和自变量做等级相关系数分析，结果如下表所示：，P值为0.0190.05，说明异方差已经消除。4.10 答：例如，居民总消费函数模型： t=1,2,n由于居民收入对消费影响有滞后性，而且今年消费水平受上年消费水平影响，则可能出现序列相关性。另外由于消费习惯的影响被包含在随机误差项中，则可能出现序列相关性（往往是正相关 ）。4.11答：直接用普通最小二乘法估计随机误差项存在序列相关性的线性回归模型未知参数时，会产生下列一些问题：1. 参数估计量仍然是无偏的，但不具有有效性，因为有自相关性时参数估计值的方差大于无自相关性时的方差。2. 均方误差MSE可能严重低估误差项的方差3. 变量的显著性检验失

9、去意义：在变量的显著性检验中，统计量是建立在参数方差正确估计基础之上的，当参数方差严重低估时，容易导致t值和F值偏大，即可能导致得出回归参数统计检验和回归方程检验显著，但实际并不显著的严重错误结论。4. 当存在序列相关时， 仍然是的无偏估计，但在任一特定的样本中， 可能严重歪曲b的真实情况，即最小二乘法对抽样波动变得非常敏感5. 模型的预测和结构分析失效。4.12答：优点：1.应用广泛，一般的计算机软件都可以计算出DW值； 2.适用于小样本； 3.可用于检验随机扰动项具有一阶自回归形式的序列相关问题。缺点：1. DW检验有两个不能确定的区域，一旦DW值落入该区域，就无法判断。此时，只有增大样本

10、容量或选取其他方法； 2.DW统计量的上、下界表要求n15，这是由于样本如果再小，利用残差就很难对自相关性的存在做出比较正确的诊断； 3.DW检验不适应随机项具有高阶序列相关性的检验。4.13 解：（1）模型汇总模型RR 方调整 R 方标准 估计的误差1.999a.998.998.663a. 预测变量: (常量),某分公司的月销售额 y。系数a模型非标准化系数标准系数tSig.B标准 误差试用版1(常量)-1.435.242-5.930.000总公司的月销售额x.176.002.999107.928.000a. 因变量:总公司的月销售额 x由上表可知：用普通二乘法建立的回归方程为（2） 以自变

11、量总公司的月销售额x为横轴，普通残差为纵轴画残差图如下：从图中可以看到，残差有规律的变化，呈现大致反W形状，说明随机误差项存在自相关性。以（残差1）为横坐标，（残差）为纵坐标，绘制散点图如下：由残差图可见大部分的点落在第一、三象限内，表明随机扰动项存在着正的序列相关；从下表可知DW值为0.663，查DW表，n=20,k=2,显著性水平=0.05，得=1.20,=1.41,由于0.6631.20,知DW值落入正相关区域，即残差序列存在正的自相关。（3）自相关系数令，然后用对作普通最小二乘回归可得输出结果如下：可看到新的回归方程的DW=1.360.且1.181.3601.40=，即DW落入不相关区

12、域，可知残差序列不存在自相关，一阶差分法成功地消除了序列自相关。同时得到回归方程为=0.169，将=-，=-，代人，还原原始变量的方程=+0.169（-）（5）答：本题中自相关系数0.6685，不接近于1，不适宜用差分法，另外由迭代法的F值及都大于差分法的值，故差分法的效果低于迭代法的效果；而普通最小二乘法的随机误差项标准差为0.09744，大于迭代的随机误差项标准差0.07296，所以迭代的效果要优于普通最小二乘法，所以本题中一次迭代法最好。4.14 解：将数据输入SPSS，经过线性回归得到结果如下：Model Summary(b)ModelRR SquareAdjusted R Squar

13、eStd. Error of the EstimateDurbin-Watson1.541(a).293.264329.69302.745a Predictors: (Constant), x2, x1b Dependent Variable: yANOVA(b)Model Sum of SquaresdfMean SquareFSig.1Regression2205551.67821102775.83910.145.000(a) Residual5326177.03649108697.491 Total7531728.71451 a Predictors: (Constant), x2, x

14、1b Dependent Variable: y由以上3个表可知普通最小二乘法建立y与x1、x2的回归方程，通过了r、F、t检验，说明回归方程显著。y与x1、x2的回归方程为：y=-574.062+191.098x1+2.045x2残差图ei(et)ei1(et-1)为：从残差图可以看出残差集中在1、3象限，说明随机误差项存在一阶正自相关。DW=0.745查表得dl=1.46 du=1.63, 0DWdu 所以误差项间无自相关性。=257.86回归方程为:yt=-178.775+211.11x1t+1.436x2t还原为:yt-0.627y(t-1)= -178.775+211.11*(x1t

15、-0.627x1(t-1) +1.436*( x2t-0.627x2(t-1)(3)Model Summary(c,d)ModelRR Square(a)Adjusted R SquareStd. Error of the EstimateDurbin-Watson1.715(b).511.491280.989952.040a For regression through the origin (the no-intercept model), R Square measures the proportion of the variability in the dependent variab

16、le about the origin explained by regression. This CANNOT be compared to R Square for models which include an intercept.b Predictors: DIFF(x2,1), DIFF(x1,1)c Dependent Variable: DIFF(y,1)d Linear Regression through the OriginDW=2.040du，所以消除了自相关性，=280.99差分法回归方程为: ytyt-1=210.117(x1t-x1(t-1)1.397(x2t-x2

17、(t-1).(4)用SPSS软件的自回归功能，analyzetime seriesautoregression: =0.631, =258.068, (5) =0.632, =260.560 , DW1.748。（6） =0.632, =258.066 , DW1.746。（7）综合以上各方法的模型拟合结果如下表所示：自回归方法DW迭代法0.6275-179.0211.11.4371.716257.86差分法0210.11.3972.040280.99精确最大似然0.631-481.7211.01.436258.07科克伦-奥克特0.632-479.3211.11.4351.748260.56

18、0普莱斯-温斯登0.631-487.1211.01.4351.746258.066由上表可看出：DW值都落在了随机误差项无自相关性的区间上，一阶差分法消除自相关最彻底，但因为=0.627,并不接近于1,故得到的方差较大,拟合效果不理想。将几种方法所得到的值进行比较，就可知迭代法的拟合效果最好，以普莱斯-温斯登法次之，差分法最差。4.15 答：通常引起异常值的原因和消除异常值的方法有以下几条，见表4.10：异常值原因异常值消出方法1.数据登记误差，存在抄写或录入错误重新核实数据2.数据测量误差重新测量数据3.数据随机误差删除或重新观测异常值数据4.缺少重要自变量增加必要自变量5.缺少观测数据增加

19、观测数据，适当扩大自变量取值范围6.存在异方差采用加权线性回归7.模型选用错误，线性模型不适用改用非线性回归模型4.16 解：（1）利用SPSS建立y与x1，x2，x3的三元回归方程，分别计算普通残差，学生化残差，删除残差，删除学生化残差，中心化杠杆值，库克距离，见下表：从表中看到绝对值最大的学生化残差为SRE=2.11556，小于3，但有超过3的个别值，因而根据学生化残差诊断认为存在异常值。绝对值最大的删除学生化残差为3.832，对应为第6个数据，因此判断它为为异常值。第6个数据的中心化杠杆值为0.64，位于第一大，大于2=2=0.6，且库克距离为3.21位于第一大，因而从杠杆值看是第6个数

20、据是自变量的异常值，同时库克距离大于1，故第6个数据为异常值的原因是由自变量异常与因变量异常两个共同原因引起的。编号yX1X2X3残差学生化残差删除残差删除学生化残差12345678910 160 260 210 265 240 220 275 160 275 250 70 75 65 74 72 68 78 66 70 65 35 40 40 42 38 45 42 36 44 42 1.0 2.4 2.0 3.0 1.2 1.5 4.0 2.0 3.2 3.0 -15.47481 12.82499 5.34434 -0.09088 33.22549 -25.19759 -17.55450

21、-20.00684 8.23435 18.69545-.893530.627670.26517-.004331.75400-2.11566-1.17348-1.162810.409351.06462 -28.35150 16.880527.22979-0.1135150.88273-97.61523-43.10665-37.1386811.1828733.31486-0.876040.59277 0.24349-0.003962.29383 -3.83214 -1.22039-1.20606 0.379021.07911 0.166090.031150.006200.000000.408743.216010.501100.289460.015000.221580.354180.140250.160790.099350.24