高级应用计量经济学一般回归估计方法

1第四章一般回归方法

本章讨论加权最小二乘估计，异方差性和自相关一致协方差估计，两阶段最小二乘估计（TSLS），非线性最小二乘估计、广义矩估计（GMM）、多项式分布滞后模型、逐步最小二乘回归、分位数回归和非参数回归。这里的大多数方法在第十二章的联立方程系统中也适用。本章中某些估计方法中含有AR和MA误差项，这些概念将在第五章中深入介绍。第四章一般回归方法

§4.1异方差问题的参数估计：加权最小二乘估计

§4.2

二阶段最小二乘法

§4.3非线性最小二乘估计NLS？

§4.4广义矩方法（GMM）§4.6逐步最小二乘回归

广义最小二乘法GLS+对数极大似然估计法2非经典假设情况（讲义）3问题异方差序列相关多重共线性随机解释变量成因影响检验解决方法或估计方法4

线性回归模型的基本假设

i=1,2,…,N

在普通最小二乘法中，为保证参数估计量具有良好的性质，通常对模型提出若干基本假设：

1．解释变量之间互不相关；

2．随机误差项具有0均值和同方差。即i=1,2,…,N

即随机误差项的方差是与观测时点i无关的常数；

3．不同时点的随机误差项互不相关（序列不相关），即s≠0,i=1,2,…,N

5

当随机误差项满足假定1~4时，将回归模型”称为“标准回归模型”，当随机误差项满足假定1~5时，将回归模型称为“标准正态回归模型”。如果实际模型满足不了这些假定，普通最小二乘法就不再适用，而要发展其他方法来估计模型。5．随机误差项服从0均值、同方差的正态分布。即~i=1,2,…,N

4．随机误差项与解释变量之间互不相关。即

j=1,2,…,k,i=1,2,…,N

§4.1异方差问题的参数估计：加权最小二乘估计

67

古典线性回归模型的一个重要假设是总体回归方程的随机扰动项ui同方差，即他们具有相同的方差

2。如果随机扰动项的方差随观测值不同而异，即ui的方差为i2，就是异方差。用符号表示异方差为E(ui2)

=

i2

。异方差性在许多应用中都存在，但主要出现在截面数据分析中。例如我们调查不同规模公司的利润，会发现大公司的利润变化幅度要比小公司的利润变化幅度大，即大公司利润的方差比小公司利润的方差大。利润方差的大小取决于公司的规模、产业特点、研究开发支出多少等因素。又如在分析家庭支出模式时，我们会发现高收入家庭通常比低收入家庭对某些商品的支出有更大的方差。§4.1异方差问题的参数估计

异方差的成因横截面数据中总体各单位之间的差异；模型设定误差；测量误差的变化；89

变量可支配收入交通和通讯支出变量可支配收入交通和通讯支出

地区INCUM地区INCUM

甘肃山西宁夏吉林河南陕西青海江西黑龙江内蒙古贵州辽宁安徽湖北海南4009.614098.734112.414206.644219.424220.244240.134251.424268.504353.024565.394617.244770.474826.364852.87159.60137.11231.51172.65193.65191.76197.04176.39185.78206.91227.21201.87237.16214.37265.98新疆河北四川山东广西湖南重庆江苏云南福建天津浙江北京上海广东5000.795084.645127.085380.085412.245434.265466.576017.856042.786485.637110.547836.768471.988773.108839.68212.30270.09212.46255.53252.37255.79337.83255.65266.48346.75258.56388.79369.54384.49640.56表1中国1998年各地区城镇居民平均每人全年家庭可支配收入及交通和通讯支出

单位：元10

例4.1：我们研究人均家庭交通及通讯支出(cum)和可支配收入(in)的关系，考虑如下方程：

cumi=0+1ini

+ui

利用普通最小二乘法，得到如下回归模型：

cumi=-56.917+0.05807ini

(4.1.4)

(-1.57)(8.96)R2=0.74D.W.=2.00811

从图形上可以看出，平均而言，城镇居民家庭交通和通讯支出随可支配收入的增加而增加。但是，值得注意的是：随着可支配收入的增加，交通和通讯支出的变动幅度也增大了，可能存在异方差。如果我们把回归方程中得到的残差对各个观测值作图，则可以清楚地看到这一点。异方差的存在并不破坏普通最小二乘法的无偏性，但是估计量却不是有效的，即使对大样本也是如此，因为缺乏有效性，所以通常的假设检验值不可靠。因此怀疑存在异方差或者已经检测到异方差的存在，则采取补救措施就很重要。§4.1.1异方差检验图示检验法White异方差检验——辅助回归检验法G-D检验法White检验ARCH检验Glejser检验LM检验EViews图示检验法White异方差检验—辅助回归检验法Bpg异方差检验Harvey异方差检验Glejser检验White检验1213§4.1.1异方差检验

1.图示检验法

(1)用X-Y的散点图进行判断

观察是否存在明显的散点扩大、缩小或复杂型趋势（即不在一个固定的带型域中）14

（2）X-ûi2的散点图进行判断

首先采用OLS方法估计模型，以求得随机误差项u的方差i2的估计量(注意，该估计量是不严格的)，我们称之为“近似估计量”，用ei2表示。于是有(4.1.5)即用ei2来表示随机误差项的方差。用解释变量x

和ei2的散点图进行观察是否随着x增加，出现方差的逐渐增加、下降或者不规则变化。

异方差的类型15162.White异方差性检验

White(1980)提出了对最小二乘回归中残差的异方差性的检验。包括有交叉项和无交叉项两种检验。普通最小二乘估计虽然在存在异方差性时是一致的，但是通常计算的标准差不再有效。如果发现存在异方差性，利用加权最小二乘法可以获得更有效的估计。

17

检验统计量是通过利用解释变量所有可能的交叉乘积对残差进行回归来计算的。例如：假设估计如下方程(4.1.6)式中b是估计系数，ûi是残差。检验统计量基于辅助回归：(4.1.7)EViews显示两个检验统计量：F统计量和Obs*R2

统计量。White检验的原假设：不存在异方差性（也就是，式（4.1.7）中除0以外的所有系数都为0成立）。18White证明出：（4.1.8）其中：N是样本容量，k为自由度，等于式（4.1.7）中解释变量个数（不包含截距项）。如果计算的2值大于给定显著性水平对应的临界值，则可以拒绝原假设，得出存在异方差的结论。也就是说，回归方程（4.1.7）的R2越大，说明残差平方受到解释变量影响越显著，也就越倾向于认为存在异方差。如果原模型中包含的解释变量较多，那么辅助回归中将包含太多的变量，这会迅速降低自由度。因此，在引入变量太多时，必须谨慎一些。White检验的另外一种形式，就是辅助回归中不包含交叉项。因此White检验有两个选项：交叉项和无交叉项。19

例4.2：人均家庭交通及通讯支出(CUM)和可支配收入(IN)的回归方程的White异方差检验的结果：

该结果F统计量和Obs*R2

统计量的P值均很小，表明拒绝原假设，即残差存在异方差性。20

由于假设的异方差形式不同，使用的辅助回归也不同，导致了不同的检验方法。不同方法的异方差形式和辅助回归方程：

①Breusch-Pagan-Godfrey(BPG)异方差检验方法，②Harvey异方差检验，③Glejser异方差检验，m=1，2，构造三个检验统计量F、X2、LM21异方差的LM统计检验White异方差性检验、BPG异方差检验：22异方差的后果OLS参数估计式的统计特性：具有无偏性；方差非最小（即非有效）；OLS参数估计量的标准误差不正确，以其为依据建立的传统检验量无效；预测精度降低23异方差问题的补救、处置方法原理思路适用条件关键点模型变换法变异方差为同方差做代数变换，满足同方差假设异方差形式已知

合理假设f（x）加权最小二乘法尽量缓解方差差异的程度依据方差的大小赋予小大的权重方差已知或未知的情况加权最小二乘法中权重的确定模型的对数变换尽量缓解方差差异的程度降低变量量纲，相对误差数值差异小变量之间在经济意义上存在对数线性关系变量经济意义的分析2425§4.1.2加权最小二乘估计WLS

1．方差已知的情形考虑一个一元回归线性方程：（4.1.11）假设已知随机误差项的真实的方差，var(ui)=i2，则令wi=1/i，将模型两端同乘wi，变换为（4.1.12）令ui*=wiui，则（4.1.13）

26

因此，变换后的模型（4.1.12）不再存在异方差的问题，可以用OLS估计。加权最小化残差平方和为：（4.1.14）由此获得的估计量就是权重序列为{wi}的加权最小二乘估计量。27

假设有已知形式的异方差性，并且有序列w，其值与误差标准差的倒数成比例。这时可以采用权数序列为w的加权最小二乘估计来修正异方差性。对加权最小化残差平方和得到估计结果:其中是k1维向量。在矩阵概念下，令权数序列w在权数矩阵W的对角线上，其他地方是零，即W矩阵是对角矩阵，y和X是因变量和自变量矩阵。则加权最小二乘估计量为：（4.1.18）

估计协方差矩阵为：（4.1.19）

具体步骤是：1．选择普通最小二乘法估计原模型，得到随机误差项的近似估计量ût

；

2．建立wi=1/|ût

|

的权数序列；

3．选择加权最小二乘法，以wi=1/|ût

|序列作为权，进行估计得到参数估计量。实际上是以1/|ût

|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。

2829例4.3加权最小二乘估计

本例考虑对由四组家庭住房支出和年收入组成的截面数据进行研究(表4.2)。假设住房支出模型为其中:yi是住房支出，xi是收入。普通最小二乘估计得出如下回归结果：

t=(4.4)(15.9)R2=0.93F=252.7

对数据图形的研究及以前有关支出的研究结果都说明这个模型具有异方差现象。3031

对住房支出模型进行异方差修正，然后进行估计。变换后的模型为其结果为：

t=(21.3)(7.7)R2=0.76F=58.7

注意，修改后关于收入的回归系数的估计值为0.249，比原来普通最小二乘估计有所增加。R2下降，但是，并不能直接比较R2

，因为因变量已经发生了变化。

32

使用加权最小二乘法，也可以得到：33

2．方差未知的情形

由于一般不知道异方差的形式，人们通常采用的经验方法是，并不对原模型进行异方差检验，而是直接选择加权最小二乘法，尤其是采用截面数据作样本时。如果确实存在异方差性，则被有效地消除了；如果不存在异方差性，则加权最小二乘法等价于普通最小二乘法。

WLS的EViews操作34

使用加权最小二乘法估计方程，首先到主菜单中选Quick/EstimateEquation…,然后选择LS-LeastSquares(NLSandARMA)。在对话框中输入方程说明和样本，然后按Options钮,出现如下对话框：35

单击WeightedLS/TSLS选项在Weighted项后填写权数序列名，单击OK。例子：36例4.4：37

EViews会打开结果窗口显示标准系数结果（如上图），包括加权统计量和未加权统计量。加权统计结果是用加权数据计算得到的：

未加权结果是基于原始数据计算的残差得到的：

估计后，未加权残差存放在RESID序列中。

38

如果残差方差假设正确，则加权残差不应具有异方差性。如果方差假设正确的话，未加权残差应具有异方差性，残差标准差的倒数在每个时刻t与w成比例。检验加权残差的异方差性：

可以看到加权最小二乘法消除了残差的异方差性。39§4.1.3存在异方差时参数估计量的一致协方差？

当异方差性形式未知时，使用加权最小二乘法提供在异方差存在时的一致参数估计，但通常的OLS标准差将不正确。在描述协方差估计技术之前，应注意：使用White异方差一致协方差或Newey-West异方差一致协方差估计不会改变参数的点估计，只改变参数的估计标准差。可以结合几种方法来计算异方差和序列相关。如把加权最小二乘估计与White或Newey-West协方差矩阵估计相结合。

40

1.异方差一致协方差估计（White）

Heteroskedasticity

ConsistentCovariances（White）

White(1980)得出在存在未知形式的异方差时，对系数协方差进行正确估计的异方差一致协方差估计量。White协方差矩阵公式为：其中N是观测值数，k是回归变量数，ûi是最小二乘残差。

EViews在标准OLS公式中提供White协方差估计选项。打开方程对话框，说明方程，然后按Options钮。接着，单击异方差一致协方差(HeteroskedasticityConsistentCovariance)，选择White钮，接受选项估计方程。41

例4.5：在输出结果中，EViews会包含一行文字说明表明使用了White估计量。

422.HAC一致协方差（Newey-West）

前面描述的White协方差矩阵假设被估计方程的残差是序列不相关的。Newey和West(1987)提出了一个更一般的估计量，在有未知形式的异方差和自相关存在时仍保持一致。Newey-West估计量为：其中

43

q是滞后截尾，一个用于评价OLS随机误差项ut的动态的自相关数目的参数。根据Newey-West假设，EViews中令q为：

Newey-West异方差一致协方差估计量，不能和加权最小二乘法一起使用。使用Newey-West方法，在估计对话框中按Options钮。在异方差一致协方差项中选Newey-West钮。44

Newey-West估计量为：

§4.2

二阶段最小二乘法TSLS

解决随机解释变量问题45随机解释变量模型含义影响估计：工具变量法、二阶段最小二乘法TSLS（属于工具变量法）估计值的限制46§4.4随机解释变量问题一、随机解释变量问题二、实际经济问题中的随机解释变量问题三、随机解释变量的后果四、工具变量法五、案例

基本假设:解释变量X1,X2,…,Xk是确定性变量。如果存在一个或多个随机变量作为解释变量，则称原模型出现随机解释变量问题。假设X2为随机解释变量。对于随机解释变量问题，分三种不同情况：一、随机解释变量问题

对于模型:

2.随机解释变量与随机误差项同期无关(contemporaneouslyuncorrelated)，但异期相关。3.随机解释变量与随机误差项同期相关(contemporaneouslycorrelated)。

1.随机解释变量与随机误差项独立(Independence)二、实际经济问题中的随机解释变量问题

在实际经济问题中，经济变量往往都具有随机性。但是在单方程计量经济学模型中，凡是外生变量都被认为是确定性的。

于是随机解释变量问题主要表现于：用滞后被解释变量作为模型的解释变量的情况。例如：（1）耐用品存量调整模型：耐用品的存量Qt由前一个时期的存量Qt-1和当期收入It共同决定：

Qt=0+1It+2Qt-1+t

t=1,T这是一个滞后被解释变量作为解释变量的模型。但是，如果模型不存在随机误差项的序列相关性，那么随机解释变量Qt-1只与t-1相关，与t不相关，属于上述的第2种情况。（2）合理预期的消费函数模型

合理预期理论认为消费Ct是由对收入的预期Yte所决定的：

预期收入Yte与实际收入Y间存如下关系的假设:

容易推出:Ct-1是一随机解释变量，且与(t-t-1)高度相关（Why?）。属于上述第3种情况。

计量经济学模型一旦出现随机解释变量，且与随机扰动项相关的话，如果仍采用OLS法估计模型参数，不同性质的随机解释变量会产生不同的后果。下面以一元线性回归模型为例进行说明三、随机解释变量的后果

随机解释变量与随机误差项相关图

（a）正相关

（b）负相关

拟合的样本回归线可能低估截距项，而高估斜率项。

拟合的样本回归线高估截距项，而低估斜率项。对一元线性回归模型：

OLS估计量为:1.如果X与相互独立，得到的参数估计量仍然是无偏、一致估计量。

已经得到证明

随机解释变量X与随机项的关系不同，参数OLS估计量的统计性质也会不同。

2.如果X与同期不相关，异期相关，得到的参数估计量有偏、但却是一致的。

kt的分母中包含不同期的X；由异期相关性知：kt与t相关，因此，但是

3.如果X与同期相关，得到的参数估计量有偏、且非一致。

前面证明中已得到

注意：如果模型中带有滞后被解释变量作为解释变量，则当该滞后被解释变量与随机误差项同期相关时，OLS估计量是有偏的、且是非一致的。即使同期无关，其OLS估计量也是有偏的，因为此时肯定出现异期相关。

豪斯曼（Hausman）检验用X对所有外生变量、工具变量作OLS回归，得到两个残差虚列v；把残差代入方程中，用y作残差v的回归；假设v不显著，用t检验，如果原假设显著，OLS不合适；如果是多个随机解释变量，需要做完t检验，再用线性约束F检验，检验这些残差的联合显著性。

模型中出现随机解释变量且与随机误差项相关时，OLS估计量是有偏的。如果随机解释变量与随机误差项异期相关，则可以通过增大样本容量的办法来得到一致的估计量；但如果是同期相关，即使增大样本容量也无济于事。这时，最常用的估计方法是工具变量法（Instrumentvariables）。

四、工具变量法基本思路设法找到另外一个变量Z，它与X相关，与随机项无关，从而用Z替换X。X就是工具变量1.工具变量的选取

*工具变量：在模型估计过程中被作为工具使用，以替代模型中与随机误差项相关的随机解释变量。选择为工具变量的变量必须满足以下条件：

（1）与所替代的随机解释变量高度相关；（2）与随机误差项不相关；（3）与模型中其它解释变量不相关，以避免出现多重共线性。2.工具变量的应用

以一元回归模型的离差形式为例说明如下：用OLS估计模型，相当于用xi去乘模型两边、对i求和、再略去xii项后得到正规方程：

(*)解得:由于Cov(Xi,i)=E(Xii)=0，意味着大样本下:

(xii)/n0

表明大样本下:成立，即OLS估计量具有一致性。

然而，如果Xi与i相关，即使在大样本下，也不存在

(xii)/n0

，则在大样本下也不成立，OLS估计量不具有一致性。

如果选择Z为X的工具变量，那么在上述估计过程可改为:利用E(zii)=0，在大样本下可得到：

这种求模型参数估计量的方法称为工具变量法(instrumentalvariablemethod)，相应的估计量称为工具变量法估计量（instrumentalvariable(IV)estimator）。

对于矩阵形式：Y=X+采用工具变量法（假设X2与随机项相关，用工具变量Z替代）得到的正规方程组为：

参数估计量为：

其中:称为工具变量矩阵3.工具变量法估计量是一致估计量

一元回归中，工具变量法估计量为:

两边取概率极限得：

如果工具变量Z选取恰当，即有

因此：

1.在小样本下，工具变量法估计量仍是有偏的。注意：

2.工具变量并没有替代模型中的解释变量，只是在估计过程中作为“工具”被使用。

上述工具变量法估计过程可等价地分解成下面的两步OLS回归：

第一步，用OLS法进行X关于工具变量Z的回归：

容易验证仍有:

因此，工具变量法仍是Y对X的回归，而不是对Z的回归。

3.如果模型中有两个以上的随机解释变量与随机误差项相关，就必须找到两个以上的工具变量。但是，一旦工具变量选定，它们在估计过程被使用的次序不影响估计结果(Why？)。4.OLS可以看作工具变量法的一种特殊情况。5.如果1个随机解释变量可以找到多个互相独立的工具变量，人们希望充分利用这些工具变量的信息，就形成了广义矩估计方法（GeneralizedMethodofMoments,GMM）

在GMM中，矩条件大于待估参数的数量，于是如何求解成为它的核心问题。工具变量法是GMM的一个特例。

6.要找到与随机扰动项不相关而又与随机解释变量相关的工具变量并不是一件很容易的事

可以用Xt-1作为原解释变量Xt的工具变量。

五、案例——中国居民人均消费函数

例4.4.1

在例2.5.1的中国居民人均消费函数的估计中，采用OLS估计了下面的模型：

由于：居民人均消费支出（CONSP）与人均国内生产总值（GDPP）相互影响，因此，

容易判断GDPP与同期相关（往往是正相关），OLS估计量有偏并且是非一致的（低估截距项而高估计斜率项）。

OLS估计结果：

(13.51)(53.47)R2=0.9927F=2859.23DW=0.5503SSR=23240.7

如果用GDPPt-1为工具变量，可得如下工具变量法估计结果：

(14.84)(56.04)R2=0.9937F=3140.58DW=0.6691SSR=18366.5

GMM是近20年计量经济学理论方法发展的重要方向之一。

IV是GMM的一个特例。

如果1个随机解释变量可以找到多个互相独立的工具变量，人们希望充分利用这些工具变量的信息，就形成了广义矩方法（GMM）。在GMM中，矩条件大于待估参数的数量，于是如何求解成为它的核心问题。81§4.2

二阶段最小二乘法

回归分析的一个基本假设是方程的解释变量与扰动项不相关。但是，由于解释变量测量误差的存在，用于估计模型参数的数据经常与它们的理论值不一致；或者由于遗漏了变量，使得随机误差项中含有可能与解释变量相关的变量，即随机解释变量问题。这些都可能导致解释变量与扰动项的相关。出现这种问题时，OLS和WLS估计量都有偏差且不一致，因而要采用其他方法估计。最常用的估计方法是二阶段最小二乘法。82

考虑多元线性回归模型的矩阵形式（4.2.1）其中：y和X是因变量和解释变量数据矩阵，是系数向量。

为简化起见，我们称与残差相关的变量为内生变量，与残差不相关的变量为外生变量或前定变量。解决方程右边解释变量与残差相关的方法是使用工具变量回归。就是要找到一组变量满足下面两个条件：（1）与方程解释变量相关；（2）与扰动项不相关；83

选择zi=(z1i,z2i,…,zki)作为工具变量，它与解释变量相关，但与扰动项不相关，即（4.2.2）

这些变量就可成为工具变量。用这些工具变量来消除右边解释变量与扰动项之间的相关性。84

二阶段最小二乘方法（twostageleastsquare，TSLS）本质上属于工具变量法，它包括两个阶段：第一个阶段，找到一组工具变量，模型中每个解释变量分别关于其他外生解释变量、该组工具变量作最小二乘回归，得到拟合值；第二个阶段，所有解释变量用第一个阶段回归得到的拟合值来代替，对原方程进行回归，这样求得的回归系数就是TSLS估计值。可以证明二阶段最小二乘估计量是一致估计量。估计式X的拟合值矩阵是其他外生变量与随机解释变量拟合值形成的nxk阶矩阵8586

不必担心TSLS估计中分离的阶段，因为EViews会使用工具变量技术同时估计两个阶段。令Z为工具变量矩阵，y和X是因变量和解释变量矩阵。则二阶段最小二乘估计的系数由下式计算出来：

系数估计的协方差矩阵为：其中s2是回归标准差（估计残差协方差）。

87

下面我们利用美国1947年1季度1999年4季度的宏观数据计算居民消费cn关于GDP和利率R的LS估计，采用差分序列。使用二阶段最小二乘估计，打开方程说明对话框，选择Method中的TSLS估计。随着选择的变化，方程对话框也会发生变化，包括一个工具变量列表对话框。8889

输入工具变量时，应注意以下问题：

1.使用TSLS估计，方程说明必需满足识别的阶条件，即工具变量的个数至少与方程的系数一样多。参见Davidson和MacKinnon(1994)和Johnston和DiNardo(1997)的讨论。

2.根据经济计量学理论，与扰动项不相关的解释变量可以用作工具变量。

3.常数c是一个合适的工具变量，如果忽略了它，EViews会自动把它加进去。90

TSLS估计结果：

下面我们利用美国1947年1季度1999年4季度的宏观数据计算居民消费cn关于GDP

和利率R

的TSLS估计（工具变量是居民消费cn(-1)

、政府支出G、M1）,所有的变量都采用一阶差分：§4.3非线性最小二乘估计

估计参数非线性模型9192§4.3非线性最小二乘估计

经典的计量经济学模型理论与方法是在线性模型的基础上发展、完善起来的，因而线性计量经济学模型领域的理论与方法已经相当成熟。但是，现实经济活动并不都能抽象为线性模型，所以非线性计量经济学模型在计量经济学模型中占据重要的位置，关于它的理论与方法的研究是计量经济学理论与方法研究的一个广泛的领域。假设回归方程为：其中f

是解释变量和参数

的函数。最小二乘估计就是要选择参数的估计值b使残差平方和最小：93

如果

f关于参数的导数不依赖于参数，则我们称模型为参数线性的，反之，则是参数非线性的。例如，是参数线性的，f关于参数的导数与参数无关。而其函数的导数仍依赖于参数，所以它是参数非线性的。对于这个模型，没有办法使用普通最小二乘估计来最小化残差平方和。必须使用非线性最小二乘估计技术来估计模型参数。

94

非线性最小二乘估计根据参数的估计值b选择最小化残差平方和。最小化的一阶条件是：（4.3.5）

其中G(b)是f(X,

b)关于b的导数。

估计协方差矩阵为：

关于非线性估计的详细讨论，参见Pindick和Rubinfeld(1991,231-245页)或Davidson和MacKinon(1993)。即令95

对于非线性模型，无法直接求解式（4.3.5）。非线性方程有几种近似迭代方法可以完成参数估计。但是利用EViews估计非线性最小二乘模型很简单，对于任何系数非线性的方程，EViews自动应用非线性最小二乘估计，会使用迭代算法估计模型。1.说明非线性最小二乘估计

对于非线性最小二乘模型，必须使用直接包含系数约束的EViews表达式以方程形式来说明。可以使用缺省系数向量C中的元素(例如，c(1),c(2),c(34),c(87))，也可以定义使用其它系数向量。例如：

Y=c(1)+c(2)*(K^c(3)+L^c(4))就是缺省系数向量C的4个元素从c(1)到c(4)。96

例4.6：如果设定例3.1中的消费函数为非线性形式：（4.3.11）其中：cst是实际居民消费，inct是实际可支配收入。利用我国1978年～2006年的年度数据估计此非线性方程，由于用迭代法计算，首先要赋初值，比如可以设3的估计值b3初值是1，则可以利用OLS估计值(例3.1中，b1=449.07，b2=

0.7345

)作为b1

，b2

的初值。经过迭代，得到的非线性消费方程为

（4.3.12）

t=(0.49)(3.999)(37.92)R2=0.99897非线性形式的边际消费倾向为

即

MPCt

=c(2)c(3)inct(C(3)-1)=

1.4210.9348inc^(0.9348-1)98图4.3动态的边际消费倾向

因此，非线性情况下的MPC是时变的，根据式（4.3.11）计算得到的边际消费倾向序列如图4.3所示。注意，inc的平均值(7424.254

)对应的边际消费倾向为

MPC=1.4210.93487424.254(0.9348-1)=0.743

近似等于线性模型估计值，因为线性模型的参数反映的是变量之间平均意义上的影响关系。

99

2.估计方法选项

（1）初始值

迭代估计要求模型系数有初始值。选择参数初始值没有通用的法则。越接近于真值越好，因此，如果你对参数值有一个合理的猜测值，将是很有用的。在某些情况下，可以用最小二乘法估计严格形式的模型得到良好的初始值。总体说来，必须进行试验以找到初始值。在开始迭代估计时，EViews使用系数向量中的值。很容易检查并改变系数的初始值。要察看初始值，双击系数向量。如果初始值是合理的，可以对模型进行估计。如果想改变初始值，首先确定系数向量表使处于编辑状态，然后输入系数值。完成初始值设定后，关闭系数向量窗口，估计模型。100

也可以从命令窗口使用PARAM命令设定初始系数值。只需输入关键词PARAM，然后是每个系数和想要的初值：

paramc(1)414.88c(2)0.51c(3)1中设定c(1)=414.88，c(2)=0.51和c(3)=1。详情参见附录E。

101

（2）迭代和收敛选项

可以通过说明收敛标准和最大迭代次数来控制迭代过程。按Options钮并输入想要的数值。如果系数变化的最大值低于阈值，EViews报告估计过程已经收敛。例如，设定阈值为0.001，则EViews会通过检查系数的最大变化是不是小于0.001来决定是否收敛。在大多数情况下，不许改变最大迭代次数。然而，对于某些难于估计的模型，在最大迭代次数下迭代过程不收敛。这时，只需单击Options钮，然后，增加最大迭代次数并点OK接受选项，开始估计。EViews会使用最后一组参数值作为初始值进行估计。§4.4广义矩估计方法（GMM）广义矩估计GMM是基于模型满足的一些矩条件而形成的一种参数估计法，是矩估计方法的一般化。102103§4.4广义矩估计方法（GMM）GeneralizedMethodofMoments

广义矩估计方法（GMM）是基于模型实际参数满足一些矩条件而形成的一种参数估计方法，是矩估计方法的一般化。如果模型的设定是正确的，则总能找到该模型实际参数满足的若干矩条件而采用GMM方法。GMM估计的出发点是参数应满足的一种理论关系。其思想是选择参数估计尽可能接近理论上的关系。把理论上的关系用样本近似值代替，并且估计量的选择就是要最小化理论值和实际值之间的加权距离。广义矩估计GMM具有明显的优势104

由于传统的计量经济模型估计方法，例如普通最小二乘法、工具变量法、极大似然法等，都有它们的局限性，其参数估计量必须在模型满足某些假设时才具有良好的性质，如只有当模型的随机误差项服从正态分布或某一已知分布，极大似然法估计量才是可靠的估计量；而GMM估计是一个稳健估计量，因为它不要求扰动项的准确分布信息，允许随机误差项存在异方差和序列相关，所得到的参数估计量比其他参数估计方法更合乎实际；而且可以证明，GMM包容了许多常用的估计方法，普通最小二乘法、工具变量法、极大似然法都是它的特例。1054.4.1矩法估计量

矩估计是基于实际参数满足一些矩条件而形成的一种参数估计方法，如果随机变量Y的期望值是，即（4.4.1）则是满足相应的样本矩条件，即（4.4.2）106

现在，考虑一元古典线性回归模型中的假设条件：（4.4.3）（4.4.4）其所对应的样本矩条件分别为

（4.4.5）这就是OLS估计量的正规方程组。因此，OLS估计量是一个矩法估计量。107

再比如二阶段普通最小二乘法中，假定解释变量与随机扰动项可能相关，找到一组与扰动项不相关的工具变量Z，因而正规方程组发生变化，由式（4.2.2）的矩条件：得到了式（4.2.3）的参数估计量形式。因此许多标准估计量，包括所有EViews提供的系统估计量，都可以看作GMM估计量的特例。108

参数要满足的理论关系通常是参数函数

f()

与工具变量zt之间的正则条件：

,是被估计参数

其中m()=f()Z,

A是加权矩阵；任何对称正定矩阵A都是的一致估计。然而，可以推出要得到

的（渐近）有效估计的一个必要条件是令A等于样本矩m的协方差矩阵的逆。

GMM估计是选择最小加权距离估计量。选择参数估计量的标准是使样本距之间加权距离最小。用函数表示为：4.4.2广义矩估计109

下面考虑多元线性回归模型的GMM参数估计，假设回归方程为

t=1,2,…,T（4.3.9）其中：解释变量向量xt=(x1t，x2t，…，xkt)，参数向量

=(1，2，…，k

)，T是样本个数。对于k维单方程参数向量

的GMM估计，由于解释变量向量xt与随机扰动项ut可能相关，因此可以假设存在含有L(Lk)个分量的工具变量向量zt与随机扰动项不相关（如果假设xt与随机扰动不相关，zt就是xt），t时刻含有L个变量的向量zt与ut满足L个正交的矩条件：

（4.4.10）其中：zt

=(z1t，z2t，…，zLt)是L维向量。110

相应的L个样本矩为（4.4.11）其中：Z是工具变量数据矩阵，是式（4.4.9）的残差序列。选择参数估计量b，使式(4.4.12)所示的加权距离最小。（4.4.12）样本矩的协方差矩阵为（4.4.13）可以使用White异方差一致协方差或Newey-WestHAC一致协方差估计矩阵[见式(4.1.31)、式(4.1.33)]，则A=-1

。GMM估计的EViews操作111112

用GMM法估计方程，从说明对话框中选择GMM估计方法，GMM对话框会变为：

113

要得到GMM估计，应该写出矩条件作为参数表达式和工具变量之间的正交条件。写正交条件的方法有两种：有因变量和没有因变量。如果使用列表法或有等号的表达式法说明方程，EViews会把矩条件理解为工具变量和方程残差之间的正交条件。如果用没有等号的表达式，EViews会正交化表达式和工具变量。在方程说明对话框的工具变量（Instrumentlist）列表中，必须列出工具变量名。如果要保证GMM估计量可识别，工具变量个数不能少于被估计参数个数。当然常数会自动被EViews加入工具变量表中。

114

例如，方程说明：ycx

工具变量：czw

正交条件为：

如果方程说明为：c(1)*log(y)+x^c(2)

工具变量表：czz(-1)

则正交条件为：115

在方程说明框右边是选择目标函数的权数矩阵A。如果选择基于White协方差的加权矩阵，则GMM估计对未知形式的异方差将是稳健的。如果选择基于HAC时间序列的加权矩阵，则GMM估计量对未知形式的异方差和自相关是稳健的。对于HAC选项，必须说明核和带宽。116

例4.7

利用中国的1978～1999的宏观经济数据，消费CS、GDP、投资IFCK，利用GMM方法计算消费方程：J统计量是目标函数的最小值，即通过式（4.4.12）计算得到的加权距离Q的值。4.6逐步最小二乘回归

STEPLS：筛选解释变量1171184.6逐步最小二乘回归

建立回归模型的时候，可能会面临很多解释变量的取舍问题，这些解释变量（包括相应的滞后变量）在经济