会计学二、古典假定(jiǎdìng)的违背及造成的后果关于假定1，一般地我们认为假定E(i)=0是合理的。因为随机项是多种因素的综合，而每种因素的影响都“均匀”地微小，它对因变量的影响不是系统的，且正负(zhènɡfù)影响相互抵消，故所有可能取值平均起来为零。即使有轻度的违反，从实践的观点来看可能不会产生严重的后果，因为它可能只影响回归方程的截距项。关于随机项正态性分布的假定，如果我们的目的仅仅是估计，这种假定并不是绝对必要的。事实上，无论是否是正态分布，OLSE估计式都是BLUE。剩下的四个假定将在下面的四节中分别加以讨论。三、广义(guǎngyì)最小二乘法（GLS）广义最小二乘法（GeneralLeastSquares－GLS）就是为了解决上述问题提出(tíchū)的。其基本思路是：若假定2（同方差性）和假定3（无序列相关性）得不到满足时，我们可以采取适当的变换，使原模型变为以下的形式：使得其中的重新满足假定2（同方差性）和假定3（无序列相关性）。这样就可以对上式使用OLS估计参数，从而使得上式的OLSE仍然为BLUE。若因假定2和假定3不满足时，有其中Ω≠I，Ω是一个n×n的正定对称方阵。第二节异方差(fānɡchà)性对于(duìyú)模型异方差举例例：截面资料下研究居民家庭的储蓄行为(xíngwéi)Yi=0+1Xi+uiYi:第i个家庭的储蓄额Xi:第i个家庭的可支配收入高收入家庭：储蓄的差异较大低收入家庭：储蓄则更有规律性，差异较小ui的方差呈现单调递增型变化例以某一行业的企业为样本建立企业生产(shēngchǎn)函数模型Yi=ALiαKiei异方差产生的原因：一．模型(móxíng)中省略的解释变量；二．测量的误差；三．截面数据中总体各单位的差异．二、异方差产生(chǎnshēng)的后果2、变量的显著性检验(jiǎnyàn)和置信区间失去意义3、参数(cānshù)方差的估计量是有偏的4、模型的预测(yùcè)失效三、异方差(fānɡchà)性的检验(一)图示法看是否形成(xíngchéng)一斜率为零的直线（二）戈德菲尔德-匡特(Goldfeld-Quandt)检验(jiǎnyàn)G-Q检验(jiǎnyàn)的步骤：⑤给定显著性水平，确定临界值F(v1,v2)，若F>F(v1,v2)，则拒绝(jùjué)同方差性假设，表明存在异方差。（三）戈里瑟(Gleiser)检验(jiǎnyàn)（四）Spearman等级(děngjí)（秩）相关检验5.对Spearman等级(děngjí)（秩）相关系数进行显著性检验。检验统计量为(五).怀特（White）检验(jiǎnyàn)可以(kěyǐ)证明，在同方差假设下：注意：辅助回归仍是检验与解释变量可能的组合的显著性，因此，辅助回归方程中还可引入解释变量的更高次方。如果存在异方差性，则表明确与解释变量的某种组合有显著的相关性，这时往往显示出有较高的可决系数以及某一参数的t检验值较大。当然，在多元回归中，由于辅助回归方程中可能有太多解释变量，从而使自由度减少，有时可去掉交叉项。四、异方差的消除(xiāochú)方法参数(cānshù)的OLS估计式按下式要求给出。由此可得模型(móxíng)（6.2.8）的参数估计式为：加权最小二乘法的基本思想：加权最小二乘法是对原模型加权，实质是用方差σi2的平方根σi对原模型进行变换。使之变成一个新的不存在异方差性的模型，然后采用(cǎiyòng)OLS估计其参数。加权最小二乘法的基本思想：加权最小二乘法是对原模型加权，实质是用方差σi2的平方根σi对原模型进行变换。使之变成一个新的不存在异方差性的模型，然后采用(cǎiyòng)OLS估计其参数。注意(zhùyì):新模型(móxíng)中，存在注意(zhùyì)：五、案例—储蓄(chǔxù)与收入模型（1）根据表中数据，做出X与Y的散点图。方法为：打开(dǎkāi)Eviews工作文件。点击quick,选Graph，点击ok;在对话框中从GraphType中选scatterDiagram，点击“ok”。散点图如下：（2）根据表中数据，做出残差图运行Eviews,进行OLS估计；点击Resids，可得拟合(nǐhé)与残差图，选View中的Actual,Fitted,Residual\Actual,Fitted,ResidualTable功能就得到可用来进行残差分析表；利用该结果画出X与残差平方的散点图．输出结果整理如下：进一步的统计(tǒngjì)检验计算(jìsuàn)F统计量：F=RSS2/RSS1=769889.2/144771.5=5.3(二)异方差(fānɡchà)的处理相当于对原总体回