版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
1、第6章 根本回归模型的OLS估计 重点内容: 加权最小二乘法消除异方差 广义最小二乘法消除序列相关和异方差 广义矩估计一、加权最小二乘法WLS1.异方差问题的解决当线性回归模型出现异方差时,所得到的估计量是非有效的。用加权最小二乘法WLS可以解决异方差问题。根本思路:赋予每个观测值残差不同的权数,从而使得回归模型的随机误差项具有同方差性。 一、加权最小二乘法WLS1.异方差问题的解决根本原理:设一元线性方程为 yt =0 +1xt +t 如果随机误t差项的方差Var(t)与解释变量成比例关系,即 Var(t) = t2 = f(xt)2 说明随机误差项的方差与解释变量xt之间存在相关性,即存在
2、异方差问题。 一、加权最小二乘法WLS1.异方差问题的解决消除方法:用 乘以一元线性方程的两端,得yt = 0 + 1xt + t那么,Var( t) = E( t)2 = E(t)2 = 2 从而,消除了异方差,随机误差项同方差。这时再用普通最小二乘法OLS估计其参数,得到有效的0,1估计量。 一、加权最小二乘法WLS1.异方差问题的解决消除方法EViews操作1用最小二乘法OLS估计方程,得到残差序列;2根据残差序列计算出加权序列;3选择EViews主菜单栏中的“Quick| “Estimate Equation选项,弹出以下图所示的对话框。 包括两个选项卡: 1“Specificatio
3、n选项卡 2“Options选项卡 一、加权最小二乘法WLS1.异方差问题的解决消除方法EViews操作在“Specification选项卡的“Equation specification文本框中输入用OLS普通最小二乘法估计的方程。 在“Options选项卡中,选中“Weighted LS/TSLS复选框,并在“Weighted的文本框中输入加权序列的名称,例如输入“w。 加权序列“w 用OLS估计模型时得到的残差序列的绝对值的倒数序列。填好后再单击“确定按钮二、广义最小二乘法GLS广义最小二乘法Generalized Least Squared,GLS常用来对存在序列相关和异方差的模型进行
4、估计。普通最小二乘法OLS和加权最小二乘法WLS是广义最小二乘法GLS的特例。 二、广义最小二乘法GLS根本原理:通过变换原回归模型,使随机误差项消除自相关,进而利用普通最小二乘法估计回归参数 。设原回归模型是 yt = 0 + 1x1t + 2 x2t+ kxkt +ut (t = 1, 2, , n )1 其中,ut具有一阶自回归形式 ut = ut-1 + vt 2vt 满足线性回归模型的根本假定条件,把2式代入1式中,得 yt = 0+1x1t+2x2t+0 xkt+ut- 1 + vt 3二、广义最小二乘法GLS根本原理:再求模型(3)的滞后1期即(t-1)期的回归模型,并在两侧同乘
5、 yt-1= 0 + 1x1t-1 +2x2t-1 +kxkt-1+ ut-1 (4)用2式与(4)相减,得 ut- yt-1 = 0 (1-)+1(x1t-x1t-1)+ +k(xk-1- xkt-1) + vt (5) 令 yt* = yt - yt -1 xjt* = xjt -xjt -1, j = 1 , 2 , k (6) 0* = 0 (1 - ) 那么yt* = 0*+ 1 x1 t* + 2 x2 t* + + k xk t* + vt 如果模型不存在异方差和序列相关,那么使用广义最小二乘法等于普通最小二乘法。 三、两阶段最小二乘法TSLS根本原理:两阶段最小二乘法分两个阶段
6、:第一阶段:找到工具变量,用最小二乘估计法OLS对模型中的每一解释变量与工具变量做回归;第二阶段:用第一阶段的拟合值代替内生变量,对原方程进行第二次回归,这次回归得到的系数就是用两阶段最小二乘法得到的新估计值。 三、两阶段最小二乘法TSLSEViews操作:选择主菜单栏中的“Object| “New Object | “Equation选项,或者选择“Quick| “Estimate Equation 选项,在翻开的方程对话框的“Method种选择“TSLS法,会得到如下对话框。 三、两阶段最小二乘法TSLSEViews操作:在上图的方程设定Equation specification的文本框
7、中列出解释变量和被解释变量,在工具变量列表Instrument list的文本框中输入工具变量。 在进行两阶段最小二乘估计时,方程中的工具变量数至少要与估计系数相等。常数项常常用来做工具变量。 四、非线性最小二乘法NLS非线性模型包括可线性化的非线性模型和不可线性化的非线性模型。可线性化的模型是指该模型可以通过线性化的处理变为线性模型,如一元二次方程,幂函数等。 例如:y =axb lny =lna+blnx 即 y=a+bx 并非所有的函数均可被线性化,能被线性化的可以继续用OLS等线性回归模型适用的方法进行估计,不能被线性化的模型就可以用非线性最小二乘法Nonlinear Least Sq
8、uare,NLS进行估计。 四、非线性最小二乘法NLS根本原理: 设定非线性回归模型的一般式为 yi = f(xi, ,) + i i=1,2,,n 1那么其残差平方和为 S ( ) = 2 能使(2)到达最小的为参数的非线性最小二乘估计。要得到的估计值,首先对式1中的求偏导,然后令该式等于0。还可以通过迭代法求的近似值,先给出参数估计的初始值,然后通过迭代法得到一个新的估计值,重复迭代直到估计值收敛为止。四、非线性最小二乘法NLSEViews操作: 选择主菜单栏中 “Object|“New Object|“Equation选项,或者选择“Quick|“Estimate Equation 选项
9、,翻开方程设定对话框,在“Equation specification中输入非线性模型的表达式,如“y c 1/x,即为双曲线的回归模型。EViews软件会自动用非线性最小二乘法NLS进行估计,因而建立方程时,只输入非线性表达式即可。例如y =axb ,只需输入“y= c(1)*xc(2)即可。 五、广义矩估计GMM广义矩估计法Generalized Method of Moments,GMM那么可以不受模型假定的限制,它不要求随机扰动项一定非序列相关,不存在异方差等,并且所得到的参数估计值比用其他估计方法得到的参数估计值更与实际接近。广义矩估计法GMM是一个大样本估计,其估计量在大样本下有效
10、,在小样本下无效。 五、广义矩估计GMM根本原理:广义矩估计是设定参数满足的一种理论关系。其原理是选择参数估计尽可能接近理论上关系,把理论关系用样本近似值代替;并且估计量的选择就是要最小化理论值和实际值之间的加权距离。参数要满足的理论关系通常是参数函数f()与工具变量Zt之间的正那么条件,即Ef()Z=0,是被估计参数 广义矩估计法GMM中估计量选择的标准是,使工具变量与函数f()之间的样本相关性越接近于0越好。 五、广义矩估计GMMEViews根本操作:选择主菜单栏中 “Object|“New Object|“Equation选项,或者选择“Quick|“Estimate Equation 选项,在“Method中选择“GMM后弹出如以下图所示的方程设定对话框。 五、广义矩估计GMMEViews根本操作:选择主菜单栏中 “Object|“New Object|“Equation选项,或者选择“Quick|“Estimate Equation 选项,在“Method中选择“GMM后弹出如以下图所示的方程设定对话框。 在“Equation specification方程设定中列出方程的被解释变量和所有解释
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2024年版股权转让价款调整及补充合同版B版
- 2024年度学校校园公共自行车租赁服务合同3篇
- 2024年度高端医疗器械租赁及维护服务合同
- 2024版个人房屋租赁合同样本下载6篇
- 2024年标准版预付款采购保障合同模板版B版
- 2024年度软件开发合同:软件开发公司与企业用户之间的软件定制与技术支持3篇
- 2024年度企业员工薪酬福利设计与调整合同6篇
- 2024版学校国际交流项目合同2篇
- 2024年度填土施工专用合同条款2篇
- 2024威海房产买卖过户手续全流程电子合同3篇
- 小学英语-六上U6 Read and write教学设计学情分析教材分析课后反思
- 基于Java的图书管理系统的设计与应用
- 新视野大学英语(第四版)读写教程1(思政智慧版) 课件 Unit 4 Social media matters Section A
- 同轴终端负载的介绍
- 2023秋国开《思想道德与法治》终考任务一之★范文二观看《红海行动》有感
- 小学心理健康教育课小学生心理健康看谁记得快又牢教学课件
- 部编人教版五年级上册语文全册说课稿
- 湖北黄冈麻城市2022-2023学年第一学期期末教学质量监测一年级语文试卷
- 小学语文跨学科学习任务群学习任务设计策略
- 2019人教版高一英语新教材必修三单词表(默写检测)
- 中俄产业园合作协议模板
评论
0/150
提交评论