第七章 异方差
7.1 异方差的后果
在存在异方差的情况下:
- OLS估计量依然是无偏的、一致且渐近正态;
- OLS估计量方差改变,因此使用普通标准误的t检验、F检验失效;
- 高斯-马尔可夫定理不再成立OLS不再是最佳线性无偏估计。
大样本OLS理论是否已经假设了同方差?需要区分无条件方差与条件方差。
7.2 异方差的例子
7.3 异方差的检验
-
画残差图
最直观的方法,但是不严格
-
BP检验
使用LM统计量进行LM检验
B和P最初检验假设扰动项服从正态分布,后来K将此减弱为独立同分布。
-
怀特检验
BP检验的假设条件方差函数为线性函数,忽略了高次项。
然后,对原假设H_0(x系数都为0)进行F检验或者LM检验。
- 优点:可以检验任何形式的异方差
- 缺点:如果解释变量较多,则解释变量的二次项将更多,在辅助回归中将损失较多的样本容量。
7.4 异方差的处理
-
使用“OLS + 稳健标准误”
-
加权最小二乘法(WLS)
给予方差较小的观测值较大的权重,然后进行加权最小二乘法估计。
基本思想:通过变量转换,使得变换后的模型满足球形扰动项的假定(变为同方差),然后进行OLS估计,即为最有效的BLUE(最佳线性无偏估计)。
-
可行加权最小二乘法(FWLS)
因为WLS必须确切的知道每个个体的方差,故WLS事实上不可行。解决方法是先用样本数据估计方差,然后再使用WLS,称这种方法为FWLS。
注:通过残差平方获得方差估计值。
-
究竟使用“OLS + 稳健标准误”还是FWLS
- FWLS更有效率,但是必须估计条件方差函数,且通常不知道条件方差函数的具体形式。
- OLS+稳健标准误对回归系数及标准误的故居都是一致的,并不需要知道条件方差函数的形式,也更加稳健。
- 在选择时需要考虑稳健性和有效性
7.5 处理异方差的Stata命令及实例
-
画残差图
reg y x_1 x_2 #作回归 rvfplot #画残差和拟合值的散点图 rvpplot x_1 #进一步,画残差和解释变量的散点图
-
BP检验
estat hettest, iid rhs
其中, “estat” 指post-estimation statistics (估计后统计量),即在完成估计后所计绊的后续统计量;“hettest” 表示heteroskeda-sticity test。选择项“ iid" 表示仅假定数据为iid,而无需正态假
定。选择项"rhs"表示,使用方程右边的全部解释变量进行辅助回归,默认使用拟合值y进行辅助回归。如果指定某些变量进行辅助回归:
estat hettest[varlist], iid
-
怀特检验
estat imtest, white
p值等于0.000,故强烈拒绝同方差的原假设,认为存在异方差。
-
WLS
通过以下命令来实现WLS:
reg y1 x1 x2 x3 [aw = 1/var] #var为计算后得到的方差矩阵
具体例子见 p140(计量经济学及stata应用)