一、 异方差性的概念
对于模型 Yi??0??1Xii??2X2i????kXki??i i=1,2,…,n同方差性假设为 Var(?i)??2 i=1,2,…,n
如果出现 Var(?i)??i2 i=1,2,…,n
即对于不同的样本点，随机误差项的方差不再是常数，则认为出现了异方差性。 二、
异方差性的后果
1.参数估计量非有效
2.变量的显著性检验失去意义 3.模型的预测失效 三、异方差性的检验 1.检验方法的共同思路
2.图示检验法(用的较多，最简单) 3.解析法
(1)戈德菲尔德-匡特(Goldfeld-Quandt)检验 (2)戈里瑟(Gleiser)检验与帕克(Park)检验 (3)怀特(White)检验
四、异方差性的估计——加权最小二乘法(WLS) 1．加权最小二乘法的基本思想
加权最小二乘法是对原模型加权，使之变成一个新的不存在异方差性的模型，然后采用普通最小二乘法估计其参数。 2．加权最小二乘法具体步骤
①选择普通最小二乘法估计原模型，得到随机误差~i；项的近似估计量e
~|的数据序列；② 建立1|ei~|序列作为权，进1|e③ 选择加权最小二乘法，以i行估计得到参数估计量。~|实际上是以1|ei乘原模型的两边，得到一个新模型，采用普通最小二乘法估计新模型。第三节序列相关性 一、
序列相关性
普通最小二乘法(OLS)要求计量模型的随机误差项相互独立或序列不相关。 如果模型的随机误差项违背了互相独立的基本假设的情况，称为序列相关性。
9
1．序列相关的概念
对于模型 Yi??0??1X1i??2X2i????kXki??i i=1,2,…,n随机误差项互不相关的基本假设表现为： Cov(?i,?j)?0 i≠j，i,j=1,2,…,n
如果对于不同的样本点，随机误差项之间不再是不相关的，而是存在某种相关性，则认为出现了序列相关性。 2．序列相关产生的原因 (1)惯性
(2)设定偏误：模型中遗漏了显著的变量 (3)设定偏误：不正确的函数形式 二、序列相关性的后果 1．参数估计量非有效
2．变量的显著性检验失去意义 3．模型的预测失效 三、序列相关性的检验 1．基本思路
首先采用普通最小二乘法估计模型，以求得随机误差项的“近似估计量”：
然后，通过分析这些“近似估计量”之间的相关性，以达到判断随机误差项是否具有序列相关性的目的。 2．图示法 3．解析法 (1)回归检验法
(2)杜宾-瓦森(Durbin-Watson)检验法 四、具有序列相关性模型的估计
最常用的方法是广义最小二乘法(GLS: Generalized least squares)、一阶差分法(First-Order Difference)和广义差分法(Generalized Difference)。
10
