你，和經濟，密不可分。
讀中國經濟，關注經管世界！
【資源】精美簡歷模板+自薦信+面試技巧免費共享
來源：計量經濟學
（1）普通最小二乘估計（OLS）：這是使用的最為普遍的模型，基本原理就是估計殘差平方和最小化，不予贅述。
（2）加權最小二乘估計（WLS）
Eviews路徑：LS模型設定對話框options
OLS的假設條件最為嚴格，其他的估計方法往往是在OLS的某些條件無法滿足的前提下進行修正處理的。WLS就是用來修正異方差問題的。
在解釋變量的每一個水平上存在一系列的被解釋變量值，每一個被解釋變量值都有自己的分布和方差。在同方差性假設下，OLS對每個殘差平方ei^2都同等看待，即採取等權重1。但是，當存在異方差性時，方差δi^2越小，其樣本值偏離均值的程度越小，其觀測值越應受到重視，即方差越小，在確定回歸線時的作用應當越大；反之方差δi^2越大，其樣本值偏離均值的程度越大，其在確定回歸線時的作用應當越小。
WLS的一個思路就是在擬合存在異方差的模型的回歸線時，對不同的δi^2區別對待。在利用樣本估計係數時依舊是使得總體殘差最小化，但是WLS會給每個殘差平方和一個權重wi=1/δi。這樣，當δi^2越小，wi越大；反之，δi^2越大，wi越小。Eviews的WLS沒有要求權重因子必須是1/δi。一般糾正異方差性的方法還包括模型變換法，這種方法假定已知Var（ui）=δi^2=δ^2*f(Xi)，令權重wi=f(Xi)^（1/2），用f(Xi)^（1/2）去除原模型，可知隨機幹擾項轉換為ui/f(Xi)^（1/2），這時Var（ui）=δi^2=δ^2，即實現了同方差。
由上面的分析可知，WLS核心就是找到一個等式：Var（ui）=δi^2=δ^2*f(Xi)。這個等式經過調整更容易理解：δ^2=δi^2/f(Xi)或δ=δi/f(Xi)^（1/2）。δ為某一常數，權重wi=1/f(Xi)^（1/2），經過wi的加權便實現了同方差。前面提到的特殊權重wi=1/δi，即f(Xi)=1/δi^2,這時δ=δi/f(Xi)^（1/2）=1。由此可知，它只是模型轉換法的一種特殊形式。常用的權重因子有：1/X，1/X^2, 1/X^0.5。其對應的f(Xi)的函數形式為f(Xi)=X^2, f(Xi)=X^4, f(Xi)=X。
（3）異方差一致協方差矩陣估計
必須特別注意的是，當存在異方差性時，使用WLS可以提供參數的一致估計，但這時候回歸係數的標準差將不正確，這也將導致T檢驗的扭曲。Eviews在LS模型設定對話框的options中提供了兩種進行估計參數一致協方差修正的方法：White異方差一致協方差或Newey-West異方差一致協方差。
使用White異方差一致協方差或Newey-West HAC異方差一致協方差估計不會改變參數的點估計，只改變參數的估計標準差。
White協方差矩陣假設被估計方程的殘差是序列不相關的，Newey-West協方差矩陣則提出了一個更一般的估計量，在有未知形式的異方差和自相關存在時仍保持一致。White異方差一致協方差和WLS一般結合使用以更好地糾正異方差問題，Newey-West HAC異方差一致協方差估計則不能和WLS結合使用。
（1）一般過程
OLS的一個基本假設是解釋變量與擾動項不相關。但是，由於解釋變量測量誤差的存在，用於估計模型參數的數據經常與它們的理論值不一致；或者由於遺漏了變量，使得隨機誤差項中含有可能與解釋變量相關的變量，這些都可能導致解釋變量與擾動項的相關。出現這種問題時，OLS和WLS估計量都有偏差且不一致，因而要採用其他方法估計。最常用的估計方法是二階段最小二乘法。
二階段最小二乘方法本質上屬於工具變量法，工具變量滿足下面兩個條件：（1）與方程解釋變量相關；（2）與擾動項不相關。
二階段最小二乘法包括兩個階段：第一個階段，找到一組工具變量，模型中每個解釋變量分別對這組變量作最小二乘回歸；第二個階段，所有變量用第一個階段回歸得到的擬合值來代替，對原方程進行回歸，這樣求得的回歸係數就是TSLS估計值。可以證明二階段最小二乘估計量是一致估計量。
回歸模型中所包含的外生變量或前定變量（如解釋變量中包括被解釋變量的滯後變量，該滯後變量則為前定變量，它與外生變量一樣都不是由模型確定的，而是由外在因素確定的）應當同時出現在方程設定和工具變量列表中。
常數c是一個合適的工具變量，如果忽略了它，EViews會自動把它加進去。
根據經濟計量學理論，與擾動項不相關的解釋變量可以用作工具變量。
使用TSLS估計，方程說明必需滿足識別的階條件，即工具變量的個數至少與方程的係數一樣多。換句話說，工具變量列表中額外的外生變量至少要和方程設定中右邊的內生變量一樣多。
（2）帶有序列相關的的TSLS
帶有序列相關修正的TSLS可以通過在方程設定的最後加入AR（1）來實現，在這種情況下可以獲得一致估計。但是為取得一致估計，滯後被解釋變量和滯後解釋變量都必須包含在工具變量列表中。高階或者廣義AR和MA設定也可以出現在TSLS的方程中。
3、 多項式分布滯後模型（Polynomial Distributed Lags，PDL ）的TSLS
多項式分布滯後模型考慮了變量跨時期的影響關係，所以也稱作動態模型。首先要理解對象時分布滯後模型PDL，PDL（A,B,C,D）說明它主要有四個參數要設定：A表示變量名，可以使原始變量也可以是滯後變量；B表示滯後期；C表示多項式中的最高冪次；D表示多項式分布滯後模型所採用的約束類型。主要有兩種約束：第一，近端約束，說明解釋變量對被解釋變量的即時（超前）作用為0，即最近一期解釋變量的係數β1=0；第二，遠端約束，指解釋變量對被解釋變量的作用在端點處消失（衰減），即βL（L為最長滯後期）=0.當D=1表示存在近端約束；D=2表示存在遠端約束；D=3表示兩端約束都存在；省略D則表示兩端都沒有約束。
PDL的設定可以用於TSLS，如果PDL中的序列是外生或者前定的，則該序列也可以包含在工具變量中。如果設定PDL（*）作為工具變量，這就意味著所有的PDL變量都會被用作工具變量。
註：PDL有時候也被稱作阿爾蒙分布滯後模型，而阿爾蒙多項式變換可以通過重新組合轉換解釋變量消除分布滯後模型可能存在的嚴重多重共線性。TSLS經常運用在聯立方程模型的估計中。
傳統的計量經濟模型估計方法，例如普通最小二乘法、工具變量法、極大似然法等，都有它們的局限性，其參數估計量必須在模型滿足某些假設時才具有良好的性質，如只有當模型的隨機誤差項服從正態分布或某一已知分布，極大似然法估計量才是可靠的估計量；而GMM估計是一個穩健估計量，因為它不要求擾動項的準確分布信息，允許隨機誤差項存在異方差和序列相關，所得到的參數估計量比其他參數估計方法更合乎實際；而且可以證明，GMM包容了許多常用的估計方法，普通最小二乘法、工具變量法、極大似然法都是它的特例。
GMM估計的出發點是參數應滿足的一種理論關係。其思想是選擇參數估計儘可能接近理論上的關係。把理論上的關係用樣本近似值代替，並且估計量的選擇就是要最小化理論值和實際值之間的加權距離。概率論與數理統計在進行統計推斷時主要採取兩種方法：點估計和區間估計。而點估計除了極大似然估計之外應用地更廣泛的就是矩估計。例如我們用樣本均值估計總體均值，用樣本方差去估計總體方差。均值就是一階原點鉅，而方差則是二階中心距。
GMM過程也需要採用工具變量，工具變量的設置與前面所講完全相同。GMM估計量選擇參數估計的標準是使工具變量與參數函數的樣本相關性是否接近於0，越接近於0效果越好，即要滿足正交條件（與OLS中計算殘差平方和最小化的約束條件的實質是一樣的，可以參照思考）。所以要得到GMM估計，應該寫出矩條件作為參數表達式和工具變量之間的正交條件。而寫正交條件的方法有兩種：有因變量和沒有因變量。
如果使用列表法或有等號的表達式法說明方程，EViews會把矩條件理解為工具變量和方程殘差之間的正交條件（這就和OLS的約束條件完全一樣）。如果用沒有等號的表達式，EViews會正交化表達式和工具變量。
GMM需要設置權數矩陣，權數矩陣就是採用之前在WLS中的一致協方差矩陣。在方程說明框右邊是選擇目標函數的權數矩陣A。如果選擇基於White 協方差的加權矩陣，則GMM估計對未知形式的異方差將是穩健的。如果選擇基於HAC時間序列的加權矩陣，則GMM估計量對未知形式的異方差和自相關是穩健的。對於HAC選項，必須說明核和帶寬（一般直接按照Eviews的默認設置）。由於HAC的效度更高，一般都採用後者，這也是Eviews的默認設置。
【遇見·愛】經管世界公益交友平臺-人工智慧匹配
經管世界【ID：ourjingguan】
經管世界公眾號由大數據與金融團隊創建，所有推送文章通過人工智慧選取。
100萬+經管人的選擇。
經管世界成立專門團隊獨家收集整理學術會議、徵文等信息，並在公眾號第一時間推送，更多相關整理後的資訊請在公眾號回復關鍵字徵文獲取。
點擊「閱讀原文」查看更多徵文啟事^_^。