异方差的检验思想

统计小小学生

已于 2023-11-22 20:18:18 修改

阅读量1k

点赞数

分类专栏：计量文章标签：笔记

于 2023-11-22 19:44:08 首次发布

本文链接：https://blog.csdn.net/qq_57918763/article/details/131689247

版权

计量专栏收录该内容

1 篇文章 0 订阅

订阅专栏

异方差概念：

随机扰动项的条件方差不是常数(即协方差矩阵的主对角元素不全相同)

数学表达形式为： $Var(\mu_i|x)=E(\mu_i^{2}|x)=\sigma_i\neq\sigma^{2}\qquad i=1,2,...,n$

(注：不是常数即意味着随机扰动项的方差会随着i的变化而变化）

检验方法：

一、bp检验（适用样本容量不大，解释变量较多时）

基本思想：由于条件同方差原假设为 $Var(\epsilon_i|x)=\sigma^{2}$ ，即随机扰动项的条件方差不随着i的变化而变化，当原假设不成立时，则条件方差 $E(\epsilon_i^{2}|x)$ 则是xi的函数(这里没写 $\mu$ 是因为 $\mu$ 表示总体残差，实际回归得到的是样本残差所以这用 $\epsilon$ 表示)，因此可以通过建立随机扰动项与解释变量的辅助回归方程如 $e^{2}_i=\xi_1+\xi_2x_{12}+\xi_3{x_{13}}+...+\xi_nx_{1n}+\gamma$ (扰动项不可测所以用 $e^{2}_i$ 代替)，因此根据构建的辅助回归方程，其原假设可简化为 $\xi_1=\xi_2=\xi_3=....=\xi_n=0$ ，如果辅助回归的拟合优度 $R^{2}$ 越高，则辅助回归方程越显著，越应该拒绝原假设 $H_o:\xi_1=\xi_2=\xi_3=....=\xi_n=0$

注：如果认为异方差主要依赖于拟合值 $\hat{y_i}$ ，可以将辅助回归方程改为 $\epsilon^{2}_i=\xi_1+\xi_2\hat{y_i}+\gamma$ ，然后检验 $\xi_2=0$ （使用F或LM统计量检验）

LM统计量检验补：

由于大样本中， $nR^{2}$ 与检验整个方程的显著性的F统计量渐进等价，因此可以使用LM统计量进行LM检验，其中 $LM=nR^{2}$ 会依分布收敛于 $X^{2}(k-1)$ （其中 $R^{2}$ 为上述bp检验所构造出的方程得到的 $R^{2}$ 、k为解释变量的个数）若计算出的LM值大于临界值，则应拒绝同方差的原假设

二、white检验（适用于样本容量较大、解释变量较少）

基本思想：由于bp检验假设条件方差函数为线性函数，可能忽略了高次项，因此white检验在bp检验的辅助回归方程中加入了所有的二次项(含平方项与交互项)，例如若模型中有两个解释变量( $x_1,x_2$ )，则二次项就包括 $x_1^{2},x_2^{2},x_1x_2$ ，因此其构建的辅助回归方程为 $e^{2}_i=\xi_1+\xi_2x_{i1}+\xi_3{x_{i2}}+\xi_4x_{i1}x_{i2}+\xi_5x_{i1}^{2}+\xi_6x_{i2}^{2}$ ，原假设和bp一样，即假设所有的系数全为0，然后进行F检验或LM检验

评价：该方法可检验任何形式的异方差，因此根据泰勒展开式，二次函数可以很好的逼近任何光滑的函数，但其缺点是，如果解释变量个数较多时，则解释变量的二次项会更多(包括交互项)，在辅助回归中会损失较多的样本容量

来源：陈强老师的计量经济学及stata应用

统计小小学生

关注

0
点赞
踩
4

收藏

觉得还不错? 一键收藏
1
评论
异方差的检验思想

评价：该方法可检验任何形式的异方差，因此根据泰勒展开式，二次函数可以很好的逼近任何光滑的函数，但其缺点是，如果解释变量个数较多时，则解释变量的二次项会更多(包括交互项)，在辅助回归中会损失较多的样本容量。基本思想：由于bp检验假设条件方差函数为线性函数，可能忽略了高次项，因此white检验在bp检验的辅助回归方程中加入了所有的二次项(含平方项与交互项)，例如若模型中有两个解释变量(，即随机扰动项的条件方差不随着i的变化而变化，当原假设不成立时，则条件方差。越高，则辅助回归方程越显著，越应该拒绝原假设。
复制链接

扫一扫