2、加权最小二乘法:我们使用表二的数据,在主菜单选 Quick \\Estimate Equations
,进入输入估计方程对话框 , 输入待估计方程 (cum in ,选择估计 方法—普通最小二乘法,点击 Options 按钮进入方程估计选择对话框,选择 Weighted LS/TSLS \\ 在对话框内输入用作加权的序列名称 in 的平方根得倒数 \\ OK应用(见图十五,回到估计方程对话框,点击 OK 得到加权最小二乘法回归 方程(见图十六并与图十四中的方程比较。
Eviews 中进行加权最小二乘估计的过程为:选定一个与残差标准差的倒数成 比例的序列作为权数,然后将权数序列除以该序列的均值进行标准化处理,将经过 标准化处理的序列作为权数进行加权作最小二乘估计,这种做法不影响回归结果。
但应该注意, Eviews 的这种标准化处理过程对频率数据不适 用。 图十三 图十四
九、一阶(高阶序列相关校正
当线性回归模型中的随机扰动项是序列相关时, OLS 估计量尽管是无偏的,但 却不是有效的。当随机扰动项有一阶序列相关时,使用 AR(1可以获得有效估计 量。其原理如下:
表三中的数据,设进口需求函数随机方程为 IM t = B0+ B1 GNPt + u t (2
IM 为每年进口额, GNP每年收入的替代变量。假设误差项存在一阶自相关,则 u t 可以写成:
表三 图十五 图十六
u t = ρ u t-1+νt -1≤ρ≤1 (3