本文探讨了在数学建模的多元分析中，如何应对扰动项异方差的问题。介绍了OLS估计在异方差情况下的局限性，如无偏性保持但效率降低，以及不能进行有效的假设检验。解决方法包括使用OLS配合稳健标准误和广义最小二乘法。同时，文章提供了异方差性的图形判断方法和BP、怀特检验等统计检验。此外，还讲解了如何通过VIF值检测和处理多重共线性问题，并提及向后回归和向前回归在处理多重共线性中的应用。
扰动项异方差
1.ols估计出的回归系数是无偏的，一致的。
2.假设检验无法使用。
3.ols估计量不再是最优线性无偏估计。
解决无偏估计的方法
1.ols+稳健标准误
2.广义最小二乘法
总结：方差小，信息多，给予数据更大的权重
检验异方差
图形法判断——散点图
1.y：残差，x：拟合值
当数据不在一个值附近，其余值越大越散乱则异方差大
2.y：残差，x：自变量x
当呈下滑趋势且变化大则异方差大
异方差假设检验
检验形式H0：不存在异方差
1.BP检验
2.怀特检验
检验多重共线性
方差膨胀因子VIF = 1/1-R1-k/m**2(可以搜索相关知识点)
若VIF>10则多重共线
扫一扫
9112
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
