异方差性的解释:随机误差的方差不全相等。异方差性是相对于同方差而言的,同方差是为了保证回归参数估计量具有良好的统计特性。也就是线性回归函数中的随机误差项(扰动项)必须满足同方差性,即方差都相同。
异方差性存在的影响:如果随机误差项的均值为零,则彼此独立,但是方差不等,即使最小二乘估计具有无偏性和一致性,但却不是最优线性无偏估计。因此回归模型的预测值会波动较大。
无偏性:如果总体参数为seta,seta1为估计量,如果E(seta1)=seta,那么seta1为seta的无偏估计量。
一致性:样本数目越大,估计量就越来越接近总体参数的真实值。如果seta1在seta周围震荡,那么满足无偏性却不满足一致性。
有效性: 指估计量与总体参数的离散程度,如果两个估计量都是无偏的,那么离散程度较小的估计量相对来说是有效的,离散程度用方差来衡量。
1、判断有偏估计和无偏估计:计算多个样本得到的估计值的期望和真实值的差值。
如果差值为0则为无偏估计,如果不为0则为有偏估计。
样本均值是高斯均值参数的无偏估计量;样本方差是高斯方差参数的有偏估计
2、
判断异方差的几种检验方法:1、用X-Y的散点图进行判断,看是否存在明显的散点扩大,缩小和复杂趋势;2、X-方差的散点图,看是否形成一斜率为0的直线3、用各种检验方法,如park检验,G-Q检验和white检验。
异方差的修正
检验:
如果方差不能直接计算呢?
再实际操作中人们通常采用如下的经验方法:不对原模型进行异方差性进行检验,而是直接选择加权最小二乘法,尤其是采用截面数据做样本时,即,如果确实存在异方差,则可以消除,如果不存在异方差性,则加权的等价于普通的最小二乘法。