擾動項
- 球形擾動項
- 異方差
-
- 出現的問題
- 解決
- 異方差的 Stata畫圖 檢驗
- 異方差的 假設 檢驗
-
- BP檢驗
- 懷特檢驗 --- 推薦
- BP檢驗與懷特檢驗差別
- 異方差問題的解決
-
- OLS+穩健的标準誤進行回歸
- 多重共線性
-
- 檢測
- 處理方法
- 逐漸回歸分析 --- 篩選後的變量可以避免多重共線性
-
- 向前逐漸回歸
- 向後逐漸回歸
- 注意
擾動項 μ \mu μ為無法觀測且滿足一定條件 — 球形擾動項
球形擾動項
-
同方差
每一個擾動項方差相同
σ 2 ( μ i ) = σ 2 ( μ j ) \sigma^2(\mu_i)=\sigma^2(\mu_j) σ2(μi)=σ2(μj)
-
無自相關
μ i 和 μ j ( i ≠ j ) 相 關 系 數 或 者 協 方 差 為 0 \mu_i和\mu_j(i\neq j)相關系數或者協方差為0 μi和μj(i=j)相關系數或者協方差為0
異方差
出現的問題
-
假設檢驗無法使用(構造的統計量失效)
∴ \therefore ∴不能看出求得的回歸系數是否是顯著的
- OLS(普通最小二乘法)估計量不再是最優線性無偏估計量
解決
- 法1. 使用OLS + 穩健的标準誤
- 法2. 使用廣義最小二乘法GLS
異方差的 Stata畫圖 檢驗
在用Stata進行回歸分析後
-
畫出殘差與拟合值的散點圖rvfplot
- 橫坐标拟合值
- 縱坐标殘差 — 是拟合值與真實值的差距
圖中:
當拟合值小的時候,殘差變化不大
當拟合值變大的時候,殘差變化很大 — 存在異方差問題
-
畫殘差與自變量 x x x的散點圖rvpplot x
- 橫坐标 x x x值
- 縱坐标殘差 — 是拟合值與真實值的差距
圖中:
當 x ( 團 購 價 ) x(團購價) x(團購價)比較低時,殘差變化很大
當 x ( 團 購 價 ) x(團購價) x(團購價)比較高時,殘差變化不大 — 存在異方差問題
- 儲存圖檔
//儲存圖檔
graph export a.png ,replace
異方差的 假設 檢驗
BP檢驗
// 在Stata回歸結束後
estat hettest ,rhs iid
- 原假設 H 0 不 存 在 異 方 差 H_0 不存在異方差 H0不存在異方差
懷特檢驗 — 推薦
// 在Stata回歸結束後
estat imtest ,white
- 原假設 H 0 不 存 在 異 方 差 H_0 不存在異方差 H0不存在異方差
BP檢驗與懷特檢驗差別
懷特檢驗包括了平方項和交叉項
BP檢驗可以看成懷特檢驗的特例
- BP的優點在于其建設性,即可以幫助确認異方差的具體形式
-
懷特檢驗優點可以檢驗任何形式的異方差
但缺點是不提供任何關于異方差的具體形式的資訊
異方差問題的解決
OLS+穩健的标準誤進行回歸
regress y x1 x2 … xk,r
多重共線性
檢測
\\使用回歸代碼後
estat vif
處理方法
- 第三點增加資料量有點難實作時,可以考慮剔除導緻嚴重共線性的變量
逐漸回歸分析 — 篩選後的變量可以避免多重共線性
向前逐漸回歸
- # 1 \#1 #1代表一個數字,當 p < # 1 時 p<\#1時 p<#1時顯著,将變量放入模型中
向後逐漸回歸
- # 2 \#2 #2代表一個數字,當 p > # 2 時 p>\#2時 p>#2時不顯著,将變量剔除模型
注意
-
x1 x2 … xk之間不能有完全多重共線性
和regress不同,regress可以自動去除産生多重共線性的變量
∴ \therefore ∴可以現使用 regress指令 找到去除的變量,再手動去除那些變量後使用 stepwise regress指令 - 可以在後面再加參數b和r,即标準化回歸系數或穩健标準誤
- 在數學模組化中,可以不用考慮第二點中的内生性問題
參考資料:數學模組化清風視訊