第31讲：线性回归的定式偏差（二）教学设计-以硕士研究生高级计量经济学为例

第31讲：线性回归的定式偏差（二）教学设计——以硕士研究生高级计量经济学为例  一、课程基本信息  【学科与学段】经济学/应用经济学，硕士研究生一年级（高级计量经济学必修课）。  【课程名称】高级计量经济学。  【课题名称】第31讲：线性回归的定式偏差（二）——异方差与自相关的深度诊断及处理策略。  【授课对象】经济学、金融学、管理学等专业硕士研究生。  【课时安排】2学时（90分钟）。  【教学资源】多媒体教室、STATA/EViews统计软件、预设的模拟数据集与真实经典数据集（如Greene数据）、黑板/白板。  二、教学设计理念与目标  （一）设计理念  秉承“问题导向、理论为基、应用为魂”的教学理念。本讲作为经典线性回归模型假设检验的核心环节，不仅是理论的深化，更是实证研究的必备技能。课程设计旨在打破学生“重估计、轻检验”的惯性思维，引导其从“模型使用者”向“模型诊断师”转变。通过将抽象的数学原理与直观的经济直觉、严谨的软件操作相结合，培养学生发现、诊断并修正模型设定偏误的综合能力。课程强调“从数据中来，到数据中去”的实证精神，注重批判性思维的养成。  （二）【基础】教学目标  1.知识与技能目标：  （1）深刻理解异方差性与自相关性违背高斯马尔可夫定理的机理，掌握其对参数估计量性质（无偏性、有效性、一致性）及统计推断（t检验、F检验）的具体影响。  （二）系统掌握异方差性的多种诊断方法：图示法（残差图）、戈德菲尔德匡特（GoldfeldQuandt）检验、怀特（White）检验、布罗施帕甘（BreuschPagan）检验，并能准确辨析各方法的适用条件与优劣。  （三）系统掌握自相关性的多种诊断方法：图示法（残差相关图）、德宾沃森（DurbinWatson）检验、布罗施戈弗雷（BreuschGodfrey）检验（LM检验），特别是掌握德宾沃森检验的局限性与布罗施戈弗雷检验的通用性。  （四）熟练掌握针对异方差和自相关问题的两类处理策略：一是“稳健推断”，即使用异方差稳健标准误（怀特标准误）和异方差自相关一致标准误（NeweyWest标准误）；二是“模型修正”，即通过加权最小二乘（WLS）、可行广义最小二乘（FGLS）等方法对模型进行重新设定与估计。  （五）能够结合STATA软件，独立完成从模型估计、假设检验诊断到问题修正的完整实证分析流程，并能对输出结果进行规范、准确的经济学解释。  2.过程与方法目标：  （1）通过案例驱动，引导学生经历“提出问题—理论分析—软件实现—结果解读”的完整探究过程。  （二）采用对比分析法，辨析不同检验方法、不同修正策略之间的内在联系与适用场景，培养学生的批判性思维和决策能力。  （三）通过小组讨论与课堂实操，强化学生的动手能力和团队协作意识。  3.情感、态度与价值观目标：  （1）树立严谨求实的科学态度，认识到任何计量分析都必须以模型假设的满足为前提，杜绝随意建模、忽视诊断的不良习惯。  （二）理解计量经济学方法论的本质：在理想假设与现实数据之间寻求最佳平衡点，培养处理复杂现实问题的勇气和智慧。  （三）强调实证研究的可重复性和透明性，培养学术诚信意识。  三、【非常重要】教学重点与难点  （一）【重点】教学重点  1.【高频考点】异方差与自相关的后果：对OLS估计量方差、标准误、t统计量及假设检验的深刻影响。这是理解为何要进行诊断和修正的逻辑起点。  2.【高频考点】异方差与自相关的诊断方法：特别是怀特检验、布罗施戈弗雷检验的原理（辅助回归的构造）与软件实现。要求不仅知其然，更知其所以然。  3.【高频考点】异方差与自相关的处理策略：重点掌握异方差稳健标准误（怀特估计量）和NeweyWest标准误的原理与应用。这是当前主流实证研究的标准做法。  （二）【难点】教学难点  1.布罗施戈弗雷（LM）检验中，辅助回归的理解与滞后期数的选择。学生容易混淆其与德宾沃森检验的关系，难以理解其为何能检验高阶自相关。  2.广义最小二乘（GLS）与可行广义最小二乘（FGLS）的异同与实现逻辑。FGLS中转换矩阵的构造、两步法估计的思想是理解上的主要障碍。  3.如何在实际研究中权衡“使用稳健标准误”与“进行模型修正”这两种策略。这需要学生具备深厚的理论功底和对研究目的的清晰认识。  四、【非常重要】教学实施过程（90分钟）  （一）温故知新，导入新课（5分钟）  【教师活动】回顾上一讲“定式偏差（一）”的核心内容：模型设定偏误的类型（遗漏变量、无关变量、测量误差）及其后果。强调高斯马尔可夫定理的核心假设——球形扰动项。引出本讲的核心议题：当扰动项本身不再“完美”，即不再满足同方差和无自相关假设时，OLS估计量是否依然是最优线性无偏估计（BLUE）？我们应该如何应对？  【学生活动】回忆并简述球形扰动项的含义。思考并回答：如果扰动项有规律可循，我们的估计和推断会受到什么影响？  【设计意图】建立知识关联，明确学习目标，激发学生探究“坏”扰动项的后果与对策。  （二）【重要】异方差性：定义、后果与诊断（25分钟）  1.【基础】异方差的定义与来源（5分钟）  （1）定义：对于不同的样本点，随机扰动项的方差不再为常数，即Var(εᵢ|X)=σᵢ²，且通常σᵢ²≠σⱼ²。用数学公式表达为：  Cov(ε|X)=E(εε'|X)=σ²Ω  其中，Ω是一个对角矩阵，但主对角线上的元素不全相等。  （2）来源（结合经济学实例）：①规模效应：在研究企业利润与研发投入时，大企业的利润波动通常大于小企业。②学习效应：随着时间推移，生产过程中的误差可能减小。③异常值的存在。④模型设定偏误的传递。  2.【高频考点】异方差的后果（5分钟）  （1）【重要】对参数估计量：OLS估计量β̂仍然保持线性、无偏性和一致性。因为无偏性和一致性的证明不依赖于同方差假设。  （2）【非常重要】对估计量的方差与标准误：Var(β̂|X)=(X'X)⁻¹X'Cov(ε|X)X(X'X)⁻¹。在异方差下，它不再等于σ²(X'X)⁻¹。如果我们错误地使用标准OLS公式计算方差，得到的将是真实方差的有偏估计（通常是低估或高估，方向不定）。这将直接导致：  （3）【高频考点】对假设检验与区间估计：基于错误方差计算的t统计量、F统计量不再服从t分布和F分布。因此，基于此进行的显著性检验和置信区间构建是无效的，容易得出误导性结论（例如，将不显著的变量误判为显著，或反之）。  3.【重要】异方差的诊断（15分钟）  【教师活动】强调诊断是“对症下药”的前提。介绍从直观到严谨的多种方法。  （1）【基础】图示法（GraphicalMethod）：  a.绘制被解释变量Y与解释变量X的散点图，观察是否呈现“喇叭口”或其他不规则形态。  b.最常用：绘制回归后的残差项e（或其平方e²）与拟合值Ŷ（或某个关键解释变量X）的散点图。如果残差e呈现随Ŷ增大而波动幅度增大的趋势，则提示存在异方差。  （2）【热点】戈德菲尔德匡特（GoldfeldQuandt）检验：  a.思想：适用于单调递增或递减型异方差。将样本按某一解释变量排序后，去除中间部分观测值，分别对前、后两个子样本进行回归，比较两者的残差平方和。如果后者的残差平方和显著大于前者，则拒绝同方差原假设。  b.统计量：GQ=(RSS₂/df₂)/(RSS₁/df₁)~F(df₂,df₁)。RSS为残差平方和，df为自由度。  （3）【高频考点】怀特（White）检验：  a.思想：一种通用的、不依赖于异方差具体形式的检验。其核心是构造一个辅助回归，将原回归的残差平方e²作为被解释变量，对所有解释变量及其平方项、交叉项进行回归。...b.辅助回归方程：e²=α₀+α₁x₁+α₂x₂+α₃x₁²+α₄x₂²+α₅x₁x₂+...+ν  c.检验统计量：LM统计量nR²_aux~χ²(k')，其中n为样本量，R²_aux为辅助回归的拟合优度，k'为辅助回归中斜率项的个数（不含常数项）。如果nR²_aux大于临界值，则拒绝同方差原假设。  d.【重要】优点：能检验各种形式的异方差，甚至能发现模型设定偏误。缺点：如果模型解释变量过多，辅助回归将消耗大量自由度。  （4）【热点】布罗施帕甘（BreuschPagan）检验：  a.思想：与怀特检验类似，但其辅助回归假设异方差形式为某个已知函数（如方差是某些解释变量的线性函数）。使用e²/σ̂²作为被解释变量，对部分解释变量z进行回归。σ̂²=Σe²/n。  b.统计量：LM=1/2(回归平方和)~χ²(k)，k为z中解释变量的个数。  （三）自相关性：定义、后果与诊断（25分钟）  1.【基础】自相关的定义与来源（5分钟）  （1）定义：在时间序列（或空间/面板）数据中，不同期的随机扰动项之间存在相关性。即对于i≠j，Cov(εᵢ,εⱼ|X)≠0。一阶自回归形式AR(1)最为常见：ε_t=ρε_(t1)+u_t，其中|ρ|<1，u_t为白噪声。  （2）来源（结合经济学实例）：①惯性/持久性：如GDP、消费、价格指数等宏观经济序列，其冲击的影响往往持续多期。②设定偏误：遗漏了具有自相关性的重要变量，或函数形式设定错误。③数据处理：如季节调整、移动平均等操作可能人为地引入自相关。  2.【高频考点】自相关的后果（5分钟）  （1）对参数估计量：β̂仍然保持线性、无偏性和一致性（在弱条件下）。  （2）【非常重要】对估计量的方差与标准误：与异方差类似，OLS方差估计量不再是有效估计。通常，当存在正自相关（ρ>0）时，OLS会低估真实方差，导致t统计量被高估，使得检验倾向于“过度拒绝”原假设（夸大变量的显著性）。  （3）【高频考点】对预测效率：虽然估计量无偏，但由于未能有效利用扰动项中的信息，基于OLS的预测不再是最优线性无偏预测。  3.【重要】自相关的诊断（15分钟）  （1）【基础】图示法：  a.绘制残差e_t随时间t的变化图，观察其是否有规律的循环或趋势性波动。  b.绘制残差e_t与其滞后一期e_(t1)的散点图，初步判断正、负或零相关。  （2）【高频考点】德宾沃森（DurbinWatson）检验：  a.统计量：DW=Σ(e_te_(t1))²/Σe_t²≈2(1ρ̂)。ρ̂为残差的一阶自相关系数。  b.性质：DW∈[0,4]。DW≈2表示无自相关，DW≈0表示完全正自相关，DW≈4表示完全负自相关。  c.【难点】局限性：①只能检验一阶自相关。②存在无法判定的“不确定区域”。③要求模型包含截距项，且解释变量非随机。④不能用于解释变量包含滞后被解释变量的模型。  （3）【非常重要】布罗施戈弗雷（BreuschGodfrey）检验（LM检验）：  a.思想：突破德宾沃森检验的局限，可以检验高阶自相关（如AR(p)、MA(q)过程），也适用于包含滞后被解释变量的模型。  b.步骤：首先，用OLS估计原模型，得到残差e_t。其次，构造辅助回归：将e_t对所有原始解释变量X_t和e_(t1)、e_(t......、e_(tp)进行回归。再次，计算辅助回归的拟合优度R²。  c.检验统计量：LM=(np)R²_aux~χ²(p)。其中p为设定的自相关阶数。如果LM>临界值，则拒绝“无自相关”的原假设。  d.【重要】优点：通用性强，是时间序列模型诊断自相关的首选方法。  （四）【非常重要】问题处理：稳健推断与模型修正（30分钟）  【教师活动】引导学生认识到，诊断出问题后，需要根据研究目的和问题性质选择应对策略。介绍当前主流的两种范式。  1.【高频考点】策略一：使用“稳健”标准误（RobustStandardErrors）  （1）思想：不改变OLS估计量本身，而是修正其方差估计公式，使其在存在异方差或自相关时仍然保持一致。这是实证研究中最流行、最便捷的方法。  （2）【非常重要】异方差稳健标准误（怀特标准误，HeteroskedasticityConsistentStandardErrors,HC）：  a.公式：Var(β̂_j)=(X'X)⁻¹X'diag(eᵢ²)X(X'X)⁻¹。它直接使用OLS残差平方eᵢ²来估计扰动项方差，从而修正了OLS标准误。  b.意义：即使存在未知形式的异方差，基于此标准误构造的t统计量在大样本下依然渐进服从t分布，保证了推断的有效性。  （3）【非常重要】异方差自相关一致标准误（NeweyWest标准误，HAC标准误）：  a.背景：同时处理异方差和自相关问题。  b.公式（简述思想）：在怀特标准误的基础上，加入了一个核函数（kernelfunction）和带宽参数（bandwidth），以捕捉并修正相邻残差之间的协方差对标准误的影响。即：Var(β̂)=(X'X)⁻¹S(X'X)⁻¹，其中S是经过NeweyWest方法修正的长期方差估计量。  c.意义：在时间序列分析中，NeweyWest标准误是进行稳健推断的标准工具。  2.【重要】策略二：模型修正——广义最小二乘（GLS）与可行广义最小二乘（FGLS）  （1）【基础】广义最小二乘（GLS）思想：如果能够确切知道扰动项的协方差矩阵Ω，那么通过数据变换，可以将存在异方差或自相关的模型转化为满足球形扰动项假设的模型，再应用OLS。  a.变换：寻找一个矩阵P，使得PΩP'=I。令Y=PY,X=PX,ε=Pε。则对Y=Xβ+ε应用OLS，得到的估计量β̂_GLS=(X'Ω⁻¹X)⁻¹X'Ω⁻¹Y是BLUE。  （2）【难点】可行广义最小二乘（FGLS）：  a.问题：在现实中，Ω通常是未知的。  b.步骤：FGLS分两步走。第一步，先用OLS估计原模型，得到残差e，利用残差信息对Ω中的未知参数（如异方差的σᵢ²函数，或自相关的ρ）进行一致估计，得到Ω̂。第二步，用Ω̂代替Ω进行GLS估计。  c.对异方差的处理（加权最小二乘，WLS）：假设Var(εᵢ|X)=σ²h(Xᵢ)，其中h(Xᵢ)已知或可估计，则权数为1/√h(Xᵢ)。  d.对自相关的处理（以AR(1)为例）：若ε_t=ρε_(t1)+u_t。则对数据进行“准差分”变换：Y_t=Y_tρ̂Y_(t1)，X_t=X_tρ̂X_(t1)（对第一期数据做特殊处理）。  （3）【热点】策略选择：何时用稳健标准误？何时用FGLS？  a.如果样本量足够大，且主要关注点在于对系数的正确推断，NeweyWest或怀特标准误通常是安全且简便的首选。它不对Ω的具体形式做严格假设。  b.如果异方差或自相关的结构非常明确（例如，方差与某个变量成正比，或自相关结构很简单），且我们希望获得比OLS更有效的估计量（更小的标准误），则可以考虑使用FGLS。  c.【重要】注意：FGLS的有限样本性质不如大样本性质完美。如果第一步对Ω的估计不准，FGLS的小样本表现可能甚至不如OLS+稳健标准误。且FGLS改变了模型设定，其估计量的解释与OLS略有不同。  【学生活动】分组讨论一个具体案例（如“研究通货膨胀率与货币供应量的关系”），思考应采用何种策略处理可能存在的自相关和异方差，并说明理由。  （五）案例实操与软件演示（4分钟）  【教师活动】打开STATA软件，调用一个真实的宏观数据集（如美国宏观数据）。  1.快速演示：从OLS回归开始（regyx1x2）。  2.残差诊断：使用rvfplot命令绘制残差图，直观感受异方差/自相关。使用estathettest进行怀特检验，使用estatbgodfrey进行布罗施戈弗雷检验。  3.应用稳健标准误：再次进行OLS回归，但加入robust选项（regyx1x2,robust），观察标准误的变化。若为时间序列，使用newey命令（neweyyx1x2,lag(3)）。  4.尝试FGLS（若时间允许）：对于AR(1)，使用prais命令（praisyx1x2,corc）进行科克伦奥克特迭代法估计。  【学生活动】跟随教师思路，观察软件输出结果，理解不同命令的输出差异，初步掌握操作要领。鼓励学生课后自行复现。  【设计意图】理论与实践无缝对接，将抽象的公式转化为可操作的工具，增强学生的实证动手能力。  （六）课堂小结与拓展提升（1分钟）  1.知识脉络梳理：回顾本讲核心——当扰