《高级计量经济学》第33讲：异方差与广义最小二乘法（GLS）教学设计

《高级计量经济学》第33讲：异方差与广义最小二乘法（GLS）教学设计一、教学基本信息【授课主题】异方差性的诊断、后果与广义最小二乘法（GLS）修正【授课对象】本科经济学专业三年级（或硕士研究生一年级）【授课时长】2课时（90分钟）【课程类型】专业核心课/研究生方法课【先修知识】基础概率论与数理统计、矩阵代数、经典线性回归模型（CLRM）的基本假定（高斯马尔可夫定理）、普通最小二乘法（OLS）的估计与推断。二、教学目标与核心素养（一）知识与技能目标（【基础】）1、精准识别异方差性的定义及其对经典线性回归模型高斯马尔可夫定理的破坏机制。2、熟练掌握异方差性产生的经济与数据层面的原因，能够结合实际研究问题预判异方差存在的可能性。3、系统掌握异方差性的诊断方法，包括图示法（残差图）、怀特检验（White‘sGeneralHeteroscedasticityTest）和布罗施帕甘检验（BreuschPaganGodfreyTest）的计算步骤、统计量构造原理及判别标准。4、深刻理解异方差存在时，OLS估计量虽然仍为线性无偏，但不再有效（不再具有最小方差），且基于同方差假设计算的标准误、t统计量、F统计量均失效，从而导致统计推断失效。5、熟练掌握处理异方差的两种策略：一是使用怀特异方差一致协方差矩阵（HeteroskedasticityConsistentCovarianceMatrixEstimators，简称HCSE，即“稳健标准误”）对OLS结果进行修正；二是运用加权最小二乘法（WLS，作为广义最小二乘法GLS的一种特殊形式）对模型进行重新估计，获得比OLS更有效的估计量。（二）过程与方法目标（【重要】）1、通过蒙特卡洛模拟（思维实验或软件演示），直观感受异方差对估计量方差和假设检验置信区间的影响，建立“统计直觉”。2、通过案例驱动教学，引导学生经历“建立模型——残差诊断——假设检验——选择修正方案——重新估计与解读”的完整实证分析流程。3、培养学生跨学科视野：将异方差问题理解为一种“数据的非平稳性”或“信息分布不均”，在面板数据分析（如固定效应模型中的组间异方差）、金融学中的波动率集聚（ARCH/GARCH模型）中均有延伸应用。（三）情感、态度与价值观目标1、培养严谨求实的科学态度：面对数据缺陷时，不回避、不随意剔除异常值，而是通过科学的诊断方法和稳健的估计技术来解决问题。2、树立学术规范意识：明确在论文实证部分报告稳健标准误的重要性，养成对计量结果的稳健性进行讨论的良好习惯。三、教学重点与难点（一）教学重点（【高频考点】）1、异方差性的经济含义与数学模型表达（Var(ε_i)=σ_i²）。2、怀特检验与布罗施帕甘检验的原假设、备择假设及统计量计算逻辑。3、异方差存在对OLS估计量性质影响的数学推导（重点说明“无偏性仍在，有效性丧失”）。4、加权最小二乘法（WLS）的权重选择原理及其与数据变换的关系。（二）教学难点（【难点】）1、理解为什么异方差不影响无偏性，却影响有效性和一致性（尤其是OLS估计量的方差不再是最小方差，且其估计量是有偏的）。2、怀特检验辅助回归中引入解释变量的水平项、平方项及交叉乘积项的多重共线性问题及其对检验功效的影响。3、WLS中“权重矩阵”的设定与实际可行性（在实践中往往不知道真实的方差形式，因此常用可行广义最小二乘法FGLS）。4、区分“使用稳健标准误的OLS”与“WLS（GLS）”这两种修正思路的适用场景和哲学差异：前者治标（修正推断工具），后者治本（重估有效参数）。四、教学准备1、教学课件（PPT）：包含核心公式推导动画、蒙特卡洛模拟结果截图、案例数据描述。2、计量软件准备（Stata/R/Python）：预设好本节课将使用的案例数据集（例如：研究居民消费支出与收入的关系，横截面数据，直观存在异方差），并编写好演示do文件或脚本。3、板书设计：准备白板或黑板，用于手推关键公式，帮助学生理解矩阵形式下的异方差表达。五、教学实施过程（【核心环节】）（一）课堂导入与问题提出（约8分钟）1、复习与设问：教师首先回顾上一讲内容（定式偏差前三讲：无截距模型、虚拟变量陷阱、函数形式设定偏误）。随后，教师在屏幕上展示一张散点图：横轴为家庭可支配收入（X），纵轴为家庭消费支出（Y）。图中散点明显呈现出随着X增大，Y的离散程度（变异幅度）逐渐增大的“喇叭口”形态。2、引发认知冲突：教师提问：“请同学们观察这幅图，如果我们仍然用一条直线（Y=β₁+β₂X+ε）来拟合这些点，你们直觉上感觉有什么问题？”引导学生注意到“误差项似乎不恒定”。3、引出课题：教师总结学生的回答，指出这就是经典线性回归模型（CLRM）假定中极为重要的第五条——同方差性（Homoscedasticity）被违背的情况，即异方差性（Heteroscedasticity）。由此，正式引入本节课的主题：异方差的诊断与修正。（二）核心概念与理论解析（约20分钟）1、异方差性的定义与类型（【基础】）...定义回顾：在模型Y_i=β₁+β₂X_{2i}+...+β_kX_{ki}+ε_i中，同方差假定要求Var(ε_i|X)=σ²（常数）。如果Var(ε_i|X)=σ_i²，即条件方差依赖于i（或依赖于X），则称模型存在异方差。...数学表达（矩阵形式）：在矩阵形式y=Xβ+ε中，同方差下，Var(ε)=σ²I。异方差下，Var(ε)=σ²Ω，其中Ω是一个已知或未知的正定对角矩阵，其对角线元素为ω_i，且不全相等。即：Var(ε)=σ²diag(ω₁，ω₂,...，ω_n)。（3）类型举例：教师列举常见类型——递增型异方差（如收入与储蓄）、递减型异方差（如学习时间与成绩提高幅度）、复杂型（如群组数据）。2、异方差产生的经济背景（【重要】）（1）数据本身特性：横截面数据中，个体规模差异（如大公司与小公司）是主要来源。（2）模型设定偏误：遗漏重要变量或函数形式错误，可能导致误差项随某个变量系统变化。（3）异常值影响：数据中存在极端观测值。（4）边错边学理论（在学习模型中的应用）：随着时间或经验的积累，行为误差减小（方差减小）。3、异方差的后果：OLS估计量性质的深度剖析（【难点】【高频考点】）（1）线性性与无偏性仍成立：教师推导证明，在异方差下，OLS估计量b=(X’X)^{1}X’y的推导未用到同方差假定，因此E(b|X)=β仍然成立。（2）有效性丧失（【核心】）：Var(b|X)=(X’X)^{1}X’Var(y)X(X’X)^{1}=(X’X)^{1}X’(σ²Ω)X(X’X)^{1}=σ²(X’X)^{1}(X’ΩX)(X’X)^{1}。（3）对比分析：教师将此方差矩阵与同方差下的Var(b)_CLRM=σ²(X’X)^{1}进行对比。指出，如果我们错误地使用σ²(X’X)^{1}来计算标准误，将导致标准误有偏（可能是低估或高估），从而t检验失效（第一类错误或第二类错误概率失控），F检验和置信区间也不再可信。（4）一致性分析：虽然b仍然是一致估计量，但其渐近方差并非标准形式，需要调整。（三）异方差的诊断方法（约25分钟）1、图示法（GraphicalMethod）（【基础】【直观】）（1）操作步骤：教师演示在软件中，对回归后的残差e_i或标准化残差e_i/σ^做图。（2）常用图形：①残差与拟合值Ŷ_i的散点图；②残差与某个解释变量X_i的散点图；③残差的平方e_i²与Ŷ_i或X_i的散点图。（3）判别原则：如果散点图呈现无规律的随机分布，则暗示同方差；如果呈现明显的规律性（如漏斗形、喇叭口、曲线形），则存在异方差。（4）局限性：图示法主观性较强，需要结合正式统计检验。2、布罗施帕甘检验（BreuschPaganGodfreyTest）（【重要】【考点】）（1）基本思想：假设异方差的形式为σ_i²=σ²......+α₁Z_{1i}+...+α_mZ_{mi})，其中Z是某些影响方差的变量（通常就是X本身或其子集）。检验原假设H₀：α₁=α₂=...=α_m=0（即不存在异方差）。（2）检验步骤（教师逐步板书或PPT演示）：[1]用OLS估计原模型，得到残差序列e_i。[2]构造辅助回归：以e_i²作为被解释变量，以原模型的解释变量（或解释变量的水平项、平方项等，BP检验通常直接用原X）作为解释变量进行OLS回归。[3]计算辅助回归的拟合优度R_aux²。[4]构造LM统计量：LM=nR_aux²。在原假设下，该统计量渐近服从自由度为m（辅助回归中斜率项个数）的卡方分布χ²(m)。[5]判断：若LM>χ²_{0.05}(m)，则拒绝原假设，认为存在异方差。（3）注意事项：BP检验对残差的正态性假设较为敏感，但对于大样本，渐近性质良好。3、怀特检验（White‘sGeneralHeteroscedasticityTest）（【核心】【高频考点】）（1）基本思想：怀特检验不依赖异方差的具体函数形式，它直接检验残差平方是否与解释变量及其平方项、交叉项有关。（2）检验步骤：[1]估计原模型，获取残差e_i。[2]构造辅助回归：e_i²对原模型中所有解释变量（包括常数项）、所有解释变量的平方项、所有解释变量的两两交叉乘积项（注意避免完全共线性，通常不含常数项，或软件自动剔除冗余变量）。例如：原模型Y=β₀+β₁X₁+β₂X₂+ε辅助回归为：e²=α₀+α₁X₁+α₂X₂+α₃X₁²+α₄X₂²+α₅X₁X₂+v[3]计算辅助回归的拟合优度R_aux²。[4]构造统计量：nR_aux²，渐近服从自由度为k（辅助回归中解释变量的个数，不含截距项）的卡方分布。或者使用F统计量。[5]判断：若nR_aux²大于临界值，则拒绝同方差的原假设。（3）怀特检验的优点：非常一般化，不预先设定异方差的结构，能检验任何形式的异方差（包括非线性形式引起的方差变化）。【热点】（4）怀特检验的缺点：如果解释变量较多，辅助回归中的项数会迅速增加，自由度损失大，可能在小样本下表现不佳。且辅助回归中容易出现多重共线性问题。（四）异方差的修正策略（约25分钟）1、策略一：使用“异方差稳健标准误”（HeteroskedasticityConsistentStandardErrors）（【重要】【实践高频】）（1）哲学思想：“当我们的估计量不再最有效，至少我们要让它推断正确。”即我们仍然使用OLS估计量b（因为它仍然无偏且一致），但修正我们对b的方差估计。（2）EickerWhite估计量（HC0）：教师介绍怀特（1980）提出的异方差一致协方差矩阵估计量。其核心是用残差的平方e_i²来估计σ_i²。则Var(b)的估计量为：Var_{HC}(b)=(X’X)^{1}(Σe_i²x_ix_i’)(X’X)^{1}其中x_i是第i个观测值的解释变量行向量。（3）软件实现：在Stata中，回归后使用，robust选项；在R中，使用lm()配合coeftest(，vcov=vcovHC)。（4）解释说明：告诉学生，在现代应用计量经济学中，报告稳健标准误已成为一种“标准操作”或“经验法则”，尤其在大样本下，它可以有效规避异方差对统计推断的干扰。教师展示同一个模型，比较普通标准误和稳健标准误下，某个关键变量显著性可能发生的变化（例如从显著变为不显著，或反之），强调稳健性检验的重要性。（5）局限性：稳健标准误虽然修正了推断，但估计量b本身仍然不是最有效的。如果异方差非常严重且我们知道其形式，使用WLS可以得到更小的标准误（更精确的估计）。2、策略二：加权最小二乘法（WLS）——广义最小二乘法（GLS）的特例（【难点】【拔高】）（1）核心思想：既然方差大的观测值提供的信息量少，我们就给予它较小的权重；方差小的观测值提供的信息量多，就给予它较大的权重。目标是使变换后的模型满足同方差假定。（2）权重设定：假设我们已知Var(ε_i)=σ²ω_i，其中ω_i已知（或已知与某个变量Z_i成正比，如ω_i=Z_i²）。（3）变换过程：对原模型两边同时除以√ω_i（即权重为1/√ω_i）。...的模型：Y_i/√ω_i=β₁/√ω_i+β₂X_{2i}/√ω_i+...+ε_i/√ω_i。令Y_i=Y_i/√ω_i，X_{1i}=1/√ω_i，X_{2i}=X_{2i}/√ω_i，ε_i=ε_i/√ω_i。（4）验证同方差：Var(ε_i)=Var(ε_i/√ω_i)=σ²ω_i/ω_i=σ²，常数。变换后的模型满足CLRM全部假定，对其应用OLS，得到的估计量称为加权最小二乘估计量（WLS）。（5）WLS估计量的性质：它是BLUE（最佳线性无偏估计量），比OLS更有效。（6）权重的选择：教师以经典案例“人均消费与人均收入”为例，如果认为方差与收入X_i成正比（即ω_i=X_i），则权重为1/√X_i。模型两边除以√X_i后，实际上是在做“将绝对消费差距转化为相对消费差距”的变换。（7）【重要区分】教师需要明确指出：WLS是GLS在Ω矩阵为对角矩阵（即误差项之间不相关，只是方差不同）时的特例。如果误差项之间还存在自相关（非对角线上元素非零），则需要更一般的GLS。3、可行广义最小二乘法（FGLS）简介（1）现实困境：在实践中，真实的σ_i²往往是未知的，即ω_i未知。（2）解决思路：先估计出ω_i，然后再用WLS。这就是FGLS。（3）基本步骤（教师简述，不展开）：[1]对原模型做OLS，得到残差e_i。[2]构造一个关于方差的模型。例如，假设σ_i²=exp(Z_iγ)，则将ln(e_i²)对Z_i进行回归（辅助回归），得到γ的估计γ^。[3]由此得到ω_i的估计ω_i^=exp(Z_iγ^)。[4]使用权重1/√ω_i^对原模型进行WLS。（4）注意事项：FGLS虽然有效，但其在小样本下的表现需要谨慎，因为权重本身也是估计出来的，引入了新的不确定性。同时，辅助回归的设定必须正确，否则可能导致错误的权重。（五）综合案例实战演练（约10分钟）1、案例导入：沿用本讲开头“家庭消费支出与收入”的数据集。教师引导学生，现在需要完成一份规范的实证分析报告。2、步骤一：建立模型并OLS估计。教师演示软件操作，输出OLS回归结果（包含普通标准误）。3、步骤二：异方差诊断。（1）图示法：教师展示残差对收入的散点图，引导学生观察是否存在明显的喇叭口。（2）怀特检验：教师运行怀特检验命令，输出结果显示P值接近于0，强烈拒绝同方差的原假设。教师解读统计量大小和P值意义。4、步骤三：修正与比较。（1）修正方案A：在OLS回归后，加上“稳健标准误”选项。再次输出结果。教师引导学生对比前后两个结果表格：系数完全一样，但标准误变了，t值变了，可能某个变量的显著性也变了。强调在论文中应报告带有稳健标准误的结果，并对此进行说明。（2）修正方案B：假设我们认为方差与收入的平方成正比（或与收入成正比），进行WLS估计。教师演示如何生成权重变量（如genwt=1/ine）并使用[aweight=wt]选项进行加权回归。输出WLS结果。（3）对比分析：将OLS、OLS+稳健标准误、WLS三种结果的系数和标准并列展示。讨论：WLS的系数可能与OLS略有不同（因为它是加权的结果），但理论上其标准误（在正确的权重下）应小于OLS（即使未加权）。如果WLS的标准误反而更大，可能说明权重设定有误。5、步骤四：结论撰写。教师示范如何根据输出结果，撰写一段规范的结论，包含对异方差的诊断描述、所采用的修正方法以及最终的稳健估计结果。（六）课堂总结与拓展（约2分钟）1、知识图谱梳理：教师带领学生快速回顾本节课的逻辑闭环：问题是什么（异方差定义）→为什么重要（后果）→怎么发现它（诊断）→怎么解决它（修正：稳健标准误vsWLS/FGLS）。2、跨学科视野延伸：教师简要提及异方差概念在更高级主题中的体现：在金融时间序列中，波动率集聚可以视为一种异方差——条件异方差（ARCH/GARCH模型）；在面板数据中，需要考虑组间异方差和组内自相关的复杂情况，此时需要使用面板校正标准误（PCSE）或全面FGLS。3、布置课后思考题：给定一份跨国经济增长数据（人均GDP增长率对初始人均GDP、储蓄率、人口增长率回归），请思考为什么这类数据常常存在异方差？你会采用哪种方法进行检验和修正？请写出详细的实证分析计划。六、板书设计（左侧主板书，右侧副板书）左侧主板书（逻辑框架）：第33讲异方差与GLS一、异方差的本质Var(ε_i|X)=σ_i²矩阵：Var(ε)