多元线性回归模型常见问题及解决方法概要
多元线性回归模型 基本假设 (1)随机扰动项ui数学期望(均值)为零。E(ui)=0 (2)随机扰动项ui的同方差性且无自相关Var(ui)=σ2 (3)解释变量X列线性无关。R(Xn×k)=K (4)随机扰动项ui与解释变量X不相关。cov(ui,X)=0 异方差性的定义 对于线性回归模型 同方差性假设为 如果出现 即对于不同的样本点,随机误差项的方差不再是常数,而是互不相同,则认为出现了异方差性(Heteroscedasticity)。 实际经济问题中的异方差性 (1)研究居民家庭的储蓄行为 Yi=β0+β1Xi+ui Y-储蓄额 X-可支配收入 ui的方差单调递增 (2)居民消费函数 Ci=β0+β1Yi+ui 将居民收入等距离分成n组,取组平均数作为样本观测值。 Y服从正态分布。人数多的组平均数误差小。 样本观测值的观测误差随解释变量观测值改变。 异方差性的检验 异方差性,即相对于不同的样本点,也就是相对于不同的解释变量观测值,随机误差项具有不同的方差。 检验异方差性,就是检验随机误差项的方差与解释变量观测值之间的相关性。 问题在于随机误差项的方差如何估计? 一般处理方法是先采用普通最小二乘法估计模型,得到随机误差项的估计量,用 表示,称为近似估计量。即 检验方法 (1)图示检验法—大概判断 (2)帕克检验与戈里瑟检验 (3)GQ检验 (4)怀特检验 怀特(White)检验 以两个解释变量的回归模型为例,说明怀特检验的基本思想与步骤。 设回归模型为 Yi=β0+β1X1i+β2X2i+μi 先对模型作普通最小二乘回归,得到 ,然后作辅助回归: 在同方差性假设下,辅助回归的可决系数R2与样本容量n的乘积,渐进地服从自由度为辅助回归方程中解释变量个数的χ2分布,即