线性模型——异方差、序列相关、多重共线性与内生性的处理

在实际的计量经济学问题中，完全满足回归的基本假设的情况并不多见。不满足基本假定的情况。称为违背基本假定

违背基本假定的情况主要包括：

1. 随机干扰项存在异方差
2. 随机干扰项的序列相关（或称自相关）
3. 解释变量之间的多重共线
4. 解释变量为随机变量，存在内生性

异方差性

---

线性模型的基本假设中有var(u|x1,x2...xk)=d，即随机干扰项的方差不因自变量的不同而不同。表现在现实的经济生活中，以消费水平受到收入水平的影响为例。C = b0 + b1 * Y + u,对于收入水平Y较低的群众而言，消费情况的变化是比较小的，但是对于收入水平较大的群体而言，其消费水平的变化差异可能就非常大了。用公式表示，即为var(u|x1,x2...xk) = f(xi,d)

那么，异方差会导致什么后果呢？

1. 导致参数估计无效，在有效性中，利用了E（u'u）= d^2 I这条同方差的假设,但是现在d与X是相关的，不能直接拿出来
2. 参数显著性检验失去意义（显著性检验中，是要用到随机干扰项的误差的，由于异方差性，使用最小二乘法得出来的参数的方差并不是其真实方差了）
3. 模型预测失效。（模型预测也是要用到随机干扰项的方差的）

异方差又如何检验是否存在呢？

1. 图示检验（使用Y-X散点图，或者e^2~X散点图进行判断，如果呈现一条水平线则是不存在异方差，否则，可能存在），这种方法的问题是：判断并不准确，是否算是水平线还是复杂性的异方差无法判断
2. 帕克（Park）检验与戈里瑟检验。 对样本残差平方ei^2与X之间进行检验。设定模型ei^2~ f(X)+u,如果ei^2与X之间存在显著的相关性，则原模型存在异方差性。
   该检验存在的问题：模型ei^2~ f(X)+u的函数形式和变量选择存在不确定性，而且，该模型本身自己也可能存在异方差性
3. G-Q（Goldfeld-Quandt）检验,第一步按照某一个被认为可能存在异方差性的变量将样本进行从小到大的排序；第二步将样本分成两个部分，一个部分自变量大，一个部分自变量小；第三步对这两个样本分别进行回归，得到各自的残差平方和，在同方差的假设下，这两个残差平方和的大小应当是差异不大的；第四步使用上面得出的残差平方和构建F统计量。方法的问题：只能检验单调递增还是单调递减型方差，并且可能需要对各个解释变量进行轮流实验
4. 怀特检验进行辅助回归：ei^2 ~ b0 + b1x1 + b2x2 + b3* x1x2 + b4x1^2 + b5* x2^2 + u，可以证明，在同方差的假设下，从该辅助回归得到的R^2与样本容量的积，渐近服从自由度为辅助回归方程中解释变量个数的卡方分布 n * R^2 ~ 卡方分布（k）

wls加权最小二乘法

思想就是将不稳定的方差转换为稳定的方差乘以一个不稳定的函数。通过变换，使得模型变为同方差的情况。

假设我们已经知道了随机误差项的方差和自变量之间的关系: var(ui) = E(ui^2) = di^2 = f(Xij) * q^2 (而不是在无异方差的情况下的 var(u|X) = q^2 )。那么，我们可以使用sqrt(f（Xij))去除以原模型，使得变化后的模型称为无异方差的情况。注：公式中j为变量的标号, i为样本的标号。

变化后的模型如下：Yi / sqrt(f（Xij)) = b0 / sqrt(f（Xij)) + b1x1 / sqrt(f（Xij)) + ... + bk xk / sqrt(f（Xij)) + ui / sqrt(f（Xij))
注意到这里，每个变量Xij除以的都是其相对应的f(Xij). 上面模型，异方差就是不存在的了，便可以用加权后的模型对参数进行估计。

现在的问题是，如何对权重f(xij)进行估计呢？观察var(ui) = f(Xij) * q^2 可以发现