第十章非球形扰动项与广义最小二乘(GLS)(金融计量-浙大蒋岳祥).doc

第十章 非球形扰动项与广义最小二乘（GLS）一） 问题的提出多元化回归模型扰动项违背古典假设的更一般的模型是广义回归模型，即假设 （1）其中Ω是一般的正定矩阵，而不是在古典假设的情况下的单位矩阵古典假设条件情况只是这种模型的一个特例我们将考察的正定矩阵Ω两种特殊的情况是异方差性和自相关异方差性当扰动项有不同的方差时，它们就是异方差的，异方差性经常产生于横截面数据，其中因变量的尺度（scales）和模型解释能力在不同的观察值之间倾向于变动我们仍然假设不同观测值之间扰动无关因此σ2Ω是自相关自相关经常出现在时间序列数据中，经济时间序列经常表现出一种“记忆”，因为变化在不同时期之间不是独立的时间序列数据通常是同方差的，因此σ2Ω可能是非对角线上的值依赖于扰动项的模式普通最小二乘法（OLS）的结果具有球形干扰项和 （2）重申前面的内容，普通最小二乘估计量， （3）是最佳线性无偏的、一致的和渐近正态分布的（CAN=Consistent and asymptotically normally distributed），并且如果干扰项服从正态分布，在所有CAN估计量中它是渐近有效的。

现在我们考察哪些特性在（1）模型中仍然成立有限样本特性对（3）两边取期望，如果，则 （4）如果回归量和扰动项是无关的，则最小二乘法的无偏性不受（2）假设变化的影响最小二乘法估计量的样本方差是 （5）在（3）中，b是的线性函数,因此，如果服从正态分布，则由于最小二乘估计量的方差不再是，任何基于的推断都可能导致错误不仅使用的矩阵是错误的，而且s2也可能是的有偏估计量通常无法知道是比b的真正方差大还是小，因此即使有的一个好的估计，Var[b]的传统估计量也不会有用最小二乘法的渐近特性如果Var[b]收敛于0，则b是一致的使用表现良好的回归量，将收敛到一个常数矩阵（可能是0），并且最前面的乘子将收敛于0但不一定收敛，如果它收敛，则从（5）式可推断普通最小二乘是一致的和无偏的因此如果都是有限正定矩阵，则b是β的一致估计量上述结论成立的条件依赖于X和Ω另一种分离这两个组成部分的处理办法是：如果1、X′X最小的特征根当时无限制地增加，这意味着；2、Ω最大的特征根对于所有n都是有限的对于异方差模型，方差就是特征根。

因此，要求它们是有限的对于有自相关的模型，这要求Ω的元素有限并且非对角线元素与对角线元素相比不是特别大那么，普通最小二乘法在广义回归模型中是一致的说明普通最小二乘法是不一致的模型假定回归模型是，其中的均值为0，方差为常数并且在不同观测值之间具有相同的相关系数于是矩阵X是一列1μ的普通最小二乘估计量是=把Ω代入（5），得 （5a）这个表达式的极限是而不是0尽管OLS是无偏的，但它不是一致的对于这个模型，不收敛由于X是一列1，因此是一个标量，满足条件1；但是，Ω的特征根是（重数是n-1）和，不满足条件2；这个例子中模型的困难是不同观测值间有太多的相关在时间序列情况下，我们一般要求观测值之间关于时间的相关系数随它们之间距离增加而减小这里条件没有被满足关于在简介中曾讨论的自相关扰动项的协方差矩阵上需要附加什么种类的要求，这给出一些很有意义的信息如果 （5b）的极限分布是正态的，则OLS估计量渐近地服从正态分布如果，那么右边项的极限分布与 （5c）的分布相同，其中是X的一行（当然假定极限分布确实存在）现在，问题是中心极限定理是否可以直接应用于v如果扰动项只是异方差的而且仍是无关的，答案通常是肯定的。

在这种情况下，很容易看到只要X表现良好，而且Ω对角元素是有限的，最小二乘估计量是渐近正态分布的，方差矩阵由（5）给出对于大多数一般的情况，答案是否定的，因为（5c）中的和不一定是相互独立或是甚至无关的随机变量的和不过，雨宫（1985）和安德森（1971）曾指出，自相关扰动项的模型中b的渐近正态性是足够普遍的，以致于包括了我们在实际中可能遇到的大多数情况我们可以得到结论，除了在特别不利的情况下，b渐近地服从均值为β，方差矩阵由（5）给出的正态分布总之，OLS在这个模型中只保留了它的一些可取性质，它是无偏的、一致的和渐近正态分布的不过，它不是有效我们需要寻求b的有效估计二） 广义最小二乘（GLS）在广义回归模型中，β的有效估计需要关于Ω的知识我们只考察Ω是已知的、对称正定矩阵的情况，这种情况偶尔会发生，但在大多数的模型中Ω包含必须估计的未知参数由于Ω是正定对称矩阵，它可以分解为 （6）其中C的各列是Ω的特征向量经过正交化而得到，即CC’=I，而且Ω的特征根被放在对角矩阵中令是对角元素为的对角矩阵如果令，则用P’前乘（1）中的模型可得或 （7）的方差是因此，这个变换后的模型就是一个我们熟悉的古典回归模型。

由于Ω已知，所以，是可观测数据在古典回归模型中，OLS是有效的因此是的有效估计量这是的广义最小二乘（GLS）估计量按照古典回归模型，我们有以下结论：如果，GLS估计量是无偏的这等价于，但由于P是已知常数的矩阵，即要求，也即要求回归量与扰动项是无关的，是我们模型的基本假设如果 （8）GLS估计量是一致的，其中Q*是有限正定矩阵进行替换可得 （9）我们需要的是变换后的数据而不是原始数据X的数据根据（9）的假设，GLS估计量是渐近正态分布的，均值为，样本方差为 （10）通过对（7）中的模型应用高斯—马尔科夫定理可得如下的艾特肯（1935）定理：GLS估计量是广义回归模型中的最小方差线性无偏估计量有时被称为艾特肯估计量这是一个一般性结果，当时高斯—马尔科夫定理是它的一个特例对于假设检验，我们可以把所有结果应用到变换后的模型（7）中为了检验J个线性约束Rβ=q，相应的统计量是，其中残差向量是而有约束的GLS残差，基于 （11）总之，对于古典模型的所有结果，包括通常的推断过程，都适用于（7）中的模型。

应该注意的是：在广义回归模型中没有R2的准确对等物不同的统计量有不同的意义，但使用它们时一定要谨慎三） 可行的最小二乘估计（FGLS）上一节的结果是基于Ω必须是已知的条件基础上的如果Ω含有必须估计的未知参数，则GLS是不可行的但在无约束的情况下，中有n(n+1)/2个附加参数这对于用n个观测值来估计这么多的参数是不现实的只有当模型中需要估计的参数较少时，即模型中Ω某种结构要简化，才可以找到求解的方法可行的最小二乘估计（FGLS）具有代表性的问题涉及到一小组参数，满足例如，只有一个未知数，其常见的表达形式是，一个也只包含一个新参数的异方差模型是接下来，假定是的一致估计量（如果我们知道如何求得这样的估计量）为了使GLS估计可行，我们将使用替代真正的我们所考虑的问题是利用是否要求我们改变上节的某些结果如果，利用似乎渐近等价于利用真正的(根据slutsky定理)当然我们还需要满足一些其他的相应的条件令可行广义最小二乘（或FGLS）估计量记为那么，渐近等价于的条件是 （18）和 （19）如果（7）中变换后的回归量表现良好，则（19）右边服务从极限正态分布这正是我们求最小二乘估计量的渐近分布时所利用的条件。

因此，当替时（19）要求同样的条件成立这些是必须逐个情况进行核实的条件但在大多数情况中，它们的确成立如果我们假设它们成立，基于的FGLS估计量与GLS估计量具有同样的渐近性质这是一个相当有用的结果特别地，注意以下结论：1、一个渐近有效的FLGS估计量不要求我们有的有效估计量，只需要一个一致估计量2、除了最简单的情况，FGLS估计量的有限样本性质和精确分布是未知的FGLS估计量的渐近有效性在小样本的情况下可能不再成立，这是因为由估计的引入的易变性对于异方差情况的一些分析由泰勒（1977年）给出自相关的模型由格涅里切斯和拉奥（1969年）做了分析在这两项研究中，他们发现对于许多类型的参数，FGLS比最小二乘更为有效但是，如果偏离古典假设不太严重，在小样本情况下最小二乘可能比FGLS更有效四）异方差的检验异方差的多数检验均基于下述策略即便存在异方差性，普通最小二乘也是的一致估计量所以，尽管由于抽样变化而不是十分完美，普通最小二乘残差仍将非常近似于真实扰动的异方差因此，在大多数情况下，为判定异方差性是否存在而设计的检验均采用普通最小二乘残差一、怀特的一般检验(White’s General Test)能对下述一般假设进行检验是乎是合理的检验对所有i用n个样本对n个参数的模型进行的估计，是一件十分困难的事，因此，对这种检验是极具挑战性的。

但这种检验已经被怀特于1980年设计出来异方差条件下的最小二乘估计量（OLS）的协方差矩阵是：我们可用如下式对它加以估计Est. 如果不存在异方差性，最小二乘估计量（OLS）的协方差矩阵是：Var[b]=可得到Var[b]的一个估计量，方法：将对一个常数X中所有的单一变量的组合组成的变量进行回归，得到nR2这个统计量渐近地服从P-1 个自由度的卡方分布，即nR2～x2(P－1)，（Why？），其中R2=SSR/SST，P为回归量的数量，但不包含常数怀特检验极为一般为进行此检验，我们不需对异方差的性质作任何特定的假设尽管这是优点，但同时也是极为严重缺点怀特检验可揭示异方差性，但也可能导致简单地识别某些其他的设定误差（如从一个简单回归中省略）此外，不同于我们要讨论的其他检验，怀特检验是非建设性，如果我们拒绝同方差假设，检验的结果对我们下一步应当做什么没有任何启示二、戈德菲尔德一匡特检验(The Goldfeld-Quandt Test)另外两个相对一般性的检验是戈尔德一匡特检验（1965）和布罗施一帕甘（1979）拉格朗日乘数检验对于戈德菲尔德一匡特检验，我们假设观测值的扰动方差相同，而在备择假设情况下，扰动方差可存在系统性差别。

此检验最理想的情形是组间异方差模型或者对某变量满足的这类模型以该为基础对观测值进行排列，可将观测值分成高方差和抵方差两部分通过将样本分成具有和个观测值的两组来进行此检验为获得统计上独立的方差估计量，回归是采用两组观测值分别进行估计的该检验统计量为： ，其中我们假定第一个样本中的扰动方差大于第二组（若非如此，可变换下标）在同方差的零假设情况下，此统计量为自由度是的分布可将样本值对照标准表，若样本值较大，则可拒绝零假设，这样检验就完成了提请注意的是：如果扰动项是正态分布的，戈德菲尔德一匡特统计量在零假设下严格服从分布，且该检验的名义值是合适的；但如果扰动项不是正态分布，则分布是不适当的，需要具有已知大样本性质的某些备择方法。