上海交通大学：《计量经济学》课程教学资源（PPT课件）第四章 非线性模型 第五章 多重共线性 第六章 异方差 第七章 自相关

第四章非线性模型 因变量和解释变量之间的线性关系,包括参数线性和解释变量线性两 种。前面的分析假定总体回归函数的形式为 PRF X=B1+B2X2+B3k3+…+BkXk+l12i=1,2,…k 但是根据经济现实或经济理论,变量之间不一定存在这种形式的线性关系 如参数线性形式的回归函数: , =B,+B,+ 或参数、变量均为非线性形式的函数关系,如C-D生产函数: Y=ALPIKP2e 对于这些不符合线性假定的模型进行参数估计,必须加以适当的变换 以后,才能用OLS方法估计模型参数

第四章 非线性模型 PRF Y X X X u i k i i i k ki i : , 1,2, , = 1 + 2 2 + 3 3 ++  + =  因变量和解释变量之间的线性关系，包括参数线性和解释变量线性两 种。前面的分析假定总体回归函数的形式为： 但是根据经济现实或经济理论，变量之间不一定存在这种形式的线性关系。 如参数线性形式的回归函数： i i i u X Y = + + 1 1  2 或参数、变量均为非线性形式的函数关系，如C-D生产函数： u Y AL K e 1  2 = 对于这些不符合线性假定的模型进行参数估计，必须加以适当的变换 以后，才能用OLS方法估计模型参数

对于参数线性的模型,可以采用变量的直接代换,转化为参数、变量 均为线性的形式进行估计。 、倒数模型: 函数形式为: B,+B2+u X 令变昌y*_1 ,则回归函数可变为: B+B2X+u 根据解释变量的观测值,计算出X*的之后进行OLS估计,得到 B+B2X 因此可得到原模型的估计方程: Y =B,+B

对于参数线性的模型，可以采用变量的直接代换，转化为参数、变量 均为线性的形式进行估计。 一、倒数模型： 函数形式为： i i i u X Y = + + 1 1  2 令变量 ，则回归函数可变为： i i X X * 1 = Yi X ui i = + + * 1 2 根据解释变量的观测值，计算出X*i 的之后进行OLS估计，得到： * 1 2 ˆ ˆ i Yi =  +  X 因此可得到原模型的估计方程： i i X Y 1 ˆ ˆ = 1 +  2

对数线性模型 通过对原模型的对数变换,函数形式可变为: In Y=I+B2In X2i+B2In x3i+u 令变量Y=h2X=hXk,则回归函数可变为 Y=B,+B,X+B,x+ 根据解释变量的观测值,进行OLS估计,得到 r=B,+B2x +B,x 因此可得到原模型的估计方程 In Y=B+B2In x2itb2n X3 例如,估计CD函数:Y=ADKe,两边取对数后: In K=hn A+B2In L +Bhn K+u 得到原模型的估计方程:hY=B1+B2nL+B2hK1 因此,CD函数的估计形式为:Y=eBL2K

二、对数线性模型： 通过对原模型的对数变换，函数形式可变为： Yi = 1 + 2 X2i + 2 X3i +ui ln   ln  ln 令变量 Y i ln Yi , X ki ln Xki ，则回归函数可变为： * * = = Y X X ui i i i = + + + * 2 * 1 2 * 2 3    根据解释变量的观测值，进行OLS估计，得到： 因此可得到原模型的估计方程： * 2 * 1 2 * 2 3 ˆ ˆ ˆ ˆ ˆ i i i Y =  +  X +  X Yi 1 2 X2i 2 X3i ln ˆ ln ˆ ˆ ˆ ln =  +  +  例如，估计C-D 函数： u Y AL K e 1  2 = ，两边取对数后： Ki = A+ Li + Ki +ui ln ln 2 ln 2 ln 得到原模型的估计方程： Y Li Ki ln ˆ ln ˆ ˆ ˆ ln = 1 + 2 + 2 因此，C-D 函数的估计形式为： 1 2 3 ˆ ˆ ˆ ˆ    Y = e L K

半对数线性模型: 模型的函数形式可变为: B+B2X+u 或Y=B1+B2lhX1+ Y=B,+B2X+u E y=B,+B2x+u 根据解释变量的观测值,进行OLS估计,得到 B+B2X1或Y=B1+B2X 因此可得到原模型的估计方程 B1+B,X 或Y=B1+B2hH 、多项式模型 模型的函数为: Bo+BX+B, +BkX+l1,i=1,2,…k 令变量X=Xk,同样可以进行参数的OLS估计

二、半对数线性模型： 模型的函数形式可变为： i i i i i i Y X u Y X u = + + = + + ln ln 1 2 1 2     或 令变量 ，同样可以进行参数的OLS估计。 k Xki = Xki * Y Xi ui Yi Xi ui i = + + = + + * 1 2 1 2 *   或   根据解释变量的观测值，进行OLS估计，得到： 因此可得到原模型的估计方程： * 1 2 1 2 ˆ * ˆ ˆ ˆ ˆ ˆ i i i Y =  +  Xi 或 Y =  +  X i i X Yi e Y X i ln ˆ ˆ ˆ ˆ 1 2 ˆ ˆ 1 2     = = + + 或 三、多项式模型： 模型的函数为： Y X X X u i k i k i i k i ki , 1,2, , 2 = 0 + 1 1 + 2 2 ++  + = 

第五章多重共线性 第一节违背古典假定的估计问题 我们关于经典线性回归模型(CLRM)有如下假定: 假定1:回归模型对参数是线性的 假定2:在重复抽样中X的值是固定的(非随机) 假定3:干扰项的均值为零。即,E(uX)=0 假定4:同方差性或u的方差相等。即 Var(u, X)=ELu-E(u)X12=E(u xi12=02 假定5:各个干扰项无自相关。即 Cov(u, u X Xi=Elu E(uiX( Xi]=EquilXqui Xi =0 假定6:u和X的协方差为零。即 Covlui X =elui-EquillXi-E(XD]=Elui (X-E(XD) equ, X, -e(u e(X =equi Xi=0 假定7:观测次数必须大于待估计的参数个数 假定8:解释变量X的只要有变异性。即一个样本中,Ⅹ不能完全相同 假定9:模型没有设定误差。 假定10:没有完全的多重共线性,即解释变量之间没有完全的线性关系 在现实中,以上假定不一定得到满足。本章讨论某些假定不成立时的估 计问题

我们关于经典线性回归模型（CLRM）有如下假定： 假定1：回归模型对参数是线性的 假定2：在重复抽样中X的值是固定的（非随机） 假定3：干扰项的均值为零。即，E(ui |Xi )=0 假定4：同方差性或ui的方差相等。即 Var(ui |Xi )=E[ui -E(ui )|Xi ] 2 = E(ui 2 |Xi ] 2 = 2 假定5：各个干扰项无自相关。即 Cov(ui ,uj |Xi ,Xj )=E[ui -E(ui |Xi ) ][uj -E(uj |Xj )] = E(ui |Xi )(uj |Xj ) = 0 假定6：ui和Xi的协方差为零。即 Cov(ui ,Xi ) = E[ui – E(ui )][Xi – E(Xi )] = E[ui (Xi – E(Xi ))] =E(ui Xi ) – E(ui )E(Xi） = E(ui Xi ) = 0 假定7：观测次数必须大于待估计的参数个数。 假定8：解释变量X的只要有变异性。即一个样本中，Xi不能完全相同。 假定9：模型没有设定误差。 假定10：没有完全的多重共线性，即解释变量之间没有完全的线性关系。 在现实中，以上假定不一定得到满足。本章讨论某些假定不成立时的估 计问题。 第五章 多重共线性 第一节 违背古典假定的估计问题

第二节多重共线性( multi-collinearity) 如果假定10不成立,即在解释变量X1,X2,…,Ⅹ中,存在线性关系 解释变量间的确定线系关系存在时,存在不全为零的常数λ1,2,…孔,使 入1X1+22X2 设1<>0,则 X1=X+3X3+ 这种关系为完全多重共线性,变量间的相关系数为1。实际上更多的情 况是,解释变量间有不完全的线性关系:存在不全为零的数:,2…,使 A1X1+入2X21+…AkX+v1=0 假定λ1>0 X,;+3X2+ 入1 了 其中ⅴ为随机项。我们把这种解释变量间存在的完全或不完全的线性关系 称为多重共线性。由于经济变量自身的性质,它们之间这种多重共线性或 强或弱,普遍存在的

第二节 多重共线性（multi-collinearity） 如果假定10不成立，即在解释变量X1，X2，…，Xk中，存在线性关系。 解释变量间的确定线系关系存在时，存在不全为零的常数 1 X1i + 2 X2i +k Xki = 0 1 ,2 , k，使 ki k X i X i X i X 1 3 1 3 2 1 2 1 1 0,        = + + 设  则 这种关系为完全多重共线性，变量间的相关系数为1。实际上更多的情 况是，解释变量间有不完全的线性关系：存在不全为零的数： 1 X1i + 2 X2i +k Xki + vi = 0 1 ,2 , k，使 其中vi 为随机项。我们把这种解释变量间存在的完全或不完全的线性关系 称为多重共线性。由于经济变量自身的性质，它们之间这种多重共线性或 强或弱，普遍存在的。 1 1 3 1 3 2 1 2 1        i ki k i i i v X = X + X + X + 假定λ1<>0

第三节多重共线性的影响 完全多重共线性 以两个解释变量的回归模型为例,假定回归模型为: 1+B2X2+B3X3+ 如果采用OLS估计,则有: B1=Y-B2X2-B33 mIn ∑2=2(y-A-B2X2-BX3)2 ∑(y-/2x2-B3x3)2 根据最小平方和原则,并求解正规方程组,可得到 ∑yx2)∑x2,)-∑yx3)∑ Xiii x2,)(>x2) 2i-3i ∑x2)∑x2)-(∑nx2)∑ B 2t+3t ∑x2,)∑x2)-C∑x2x3)2

第三节 多重共线性的影响 一、完全多重共线性 以两个解释变量的回归模型为例，假定回归模型为： Yi = 1 +  2 X2 + 3 X3 +ui 如果采用OLS估计，则有： 2 2 2 3 3 2 1 2 2 3 3 2 1 2 2 3 3 ) ˆ ˆ ( ) ˆ ˆ ˆ min ˆ ( ˆ ˆ ˆ y x x u Y X X Y X X i i i         = − − = − − − = − −    根据最小平方和原则，并求解正规方程组，可得到： 2 2 3 2 2 3 2 3 2 2 2 ( )( ) ( ) ( )( ) ( )( ) ˆ 2 3 3        − − = i i i i i i i i x x x x y x x y x x x i i i  2 2 3 2 2 2 2 3 2 2 3 ( )( ) ( ) ( )( ) ( )( ) ˆ 2 3 2        − − = i i i i i i i i x x x x y x x y x x x i i i 

如果Ⅹ2与X3存在完全共线性,即x2=Ax3则: ∑yx21)∑x2)-(∑yx)∑x2x3;) ∑x 2 D.X 2 3 (∑yx3)∑x2)-C∑yx3)(∑x2) (花2∑ DI )∑x2)-(∑x2) 0 此时,B2是不确定的。同样也是不确定的。而方差 Var(B,) ∑ ∑x∑x2-∑x2x3 在x2=x时,Var(B2) 因此,存在完全共线性时,不能利用OLS估计参数,参数的方差变为无 限大

0 0 ( )( ) ( ) ( )( ) ( )( ) ( )( ) ( ) ( )( ) ( )( ) ˆ 2 2 3 2 2 2 2 3 2 3 2 2 3 2 2 3 2 3 2 2 2 3 3 3 3 2 3 3 = − − = − − =               i i i i i i i i i i i i i x x x y x x y x x x x x x y x x y x x x i i i i i i i      如果X2与X3存在完全共线性，即 x2 = x3 则： 因此，存在完全共线性时，不能利用OLS估计参数，参数的方差变为无 限大。 =  − = = − =                  2 2 2 2 2 3 2 2 3 2 2 3 2 2 2 3 2 3 2 2 2 2 2 2 3 3 ) ˆ ( ) ˆ ( ˆ ˆ （ ） （ ） 在 时， （ ） 此时， 是不确定的。同样 也是不确定的。而方差 i x x x x x Var x x x x x Var i i i i i i i

二、不完全多重共线性 假定Ⅹ2,Ⅹ3间存在不完全多重共线性,以离差形式表示为x2=Ax3+ 其中v;为随机项。则 B_2y,331 +v 1(-*3 )2(x3 +v )x, 1 x2:+v x2;+1.)x 式中分母可化简为∑x2)∑v2)<0 此时,B2是可估计的的。同样β3也是可估计的。而方 Var(B,) ∑ 2 3i 2i 2i-3i ∑ ∑ 2i-3i (∑x2∑x2,) ∑x{1-n23)

二、不完全多重共线性 假定X2，X3 间存在不完全多重共线性，以离差形式表示为： 。 其中vi 为随机项。则 i x = x + v 2  3 式中分母可化简为( )( ) 0。 [ ( ) ]( ) [ ( ) ] [ ( )]( ) ( )[ ( ) ] ˆ 2 2 2 3 3 2 2 3 3 3 3 2 3 2 3 3 3  + − + + − + =          i i i i i i i i i i i i i i x v x v x x v x y x v x y x x v x i i i              − = − = − = − = {1 ) [1 /( )] / ) ˆ ( ˆ ˆ 2 3 2 3 2 2 2 2 2 2 3 2 3 2 2 2 2 3 2 3 2 2 3 2 3 2 2 2 2 2 2 3 x r x x x x x x x x x x x x x x Var i i i i i i i i i i i i i i i        （ ） （ ） （ ） 此时， 是可估计的的。同样 也是可估计的。而方差

F(B2)= 23 显然,当解释变量X2、ⅹ3之间的相关系数r23的绝对值越大,共线性程 度就越高,参数估计值的方差就越大,越不准确,且随着相关系数的增大, 方差以更大的幅度增加。 多重共线性的影响 (1)参数估计值的方差增大,估计量的精度大大降低。影响预测结果(准 确度和置信区间) (2)参数估计值的标准差增大,使的t检验值变小,增大了接受H,舍弃 对因变量有显著影响的变量。 (3)尽管t检验不显著,但是R2仍可能非常高。 (4)OLS估计量对观测值的轻微变化相当敏感。 第三节多重共线性的探査和解决 、多重共线性的探查 由于多重共线性使一种普遍现象,而多重共线性的程度影响了参数估 计结果,因此我们关心的是共线性的程度,而不是共线性是否存在

 − = (1 ) ) ˆ ( 2 2 3 2 2 3 x r Var i   显然，当解释变量X2、X3之间的相关系数 r23 的绝对值越大，共线性程 度就越高，参数估计值的方差就越大，越不准确，且随着相关系数的增大， 方差以更大的幅度增加。 三、多重共线性的影响 （1）参数估计值的方差增大，估计量的精度大大降低。影响预测结果（准 确度和置信区间）。 （2）参数估计值的标准差增大，使的t 检验值变小，增大了接受H0，舍弃 对因变量有显著影响的变量。 （3）尽管t 检验不显著，但是R2仍可能非常高。 （4）OLS估计量对观测值的轻微变化相当敏感。 一、多重共线性的探查 由于多重共线性使一种普遍现象，而多重共线性的程度影响了参数估 计结果，因此我们关心的是共线性的程度，而不是共线性是否存在。 第三节 多重共线性的探查和解决