(6)利用 Eviews作模型变换 以模型变换2为例 GENR Y1=Y/SQR(X) GENR X1=1/SQR (X) GENR X2=X/SQR (X) LSY1CX1×2
16 （6）利用EViews作模型变换 z以模型变换2为例 zGENR Y1=Y/SQR（X） zGENR X1=1/SQR（X） zGENR X2=X/SQR（X） zLS Y1 C X1 X2
3。加权最小二乘法 (1)加权最小二乘法的思路 (2)加权最小二乘法的机理 (3)加权最小二乘法的定义 (4)OLS是加权最小二乘法的特例 (5)加权最小二乘法与模型变换法所得结 果是一致 3(6)在 EViews中实现加权最小二乘法 17
17 3。加权最小二乘法 z（1）加权最小二乘法的思路 z（2）加权最小二乘法的机理 z（3）加权最小二乘法的定义 z（4）OLS是加权最小二乘法的特例 z（5）加权最小二乘法与模型变换法所得结 果是一致 z（6）在EViews中实现加权最小二乘法
(1)加权最小二乘法的思路 根据误差最小建立起来的OLS法,同方差下,将 各个样本点提供的残差一视同仁是符合情理的 各个e提供信息的重要程度是一致的。但在异方 差下,离散程度大的e对应的回归直线的位置很 不精确,拟合直线时理应不太重视它们提供的信 息。即X对应的e偏离大的所提供的信息贡献应打 折扣,而偏离小的所提供的信息贡献则应于重视。 因此采用权数对残差提供的信息的重要程度作 番校正,以提高估计精度。这就是WLS(加权最 小三乘法)的思路 18
18 （1）加权最小二乘法的思路 z根据误差最小建立起来的OLS法，同方差下，将 各个样本点提供的残差一视同仁是符合情理的。 各个ei提供信息的重要程度是一致的。但在异方 差下，离散程度大的ei对应的回归直线的位置很 不精确，拟合直线时理应不太重视它们提供的信 息。即Xi对应的ei偏离大的所提供的信息贡献应打 折扣，而偏离小的所提供的信息贡献则应于重视。 因此采用权数对残差提供的信息的重要程度作一 番校正，以提高估计精度。这就是WLS（加权最 小二乘法）的思路
(2)加权最小二乘法的机理 以递增型为例。设权术W1与异方差的变异 趋势相反。W=1/σ2;。W使异方差经受了 “压缩”和“扩张”变为同方差
19 （2）加权最小二乘法的机理 z以递增型为例。设权术WI与异方差的变异 趋势相反。Wi=1/2 i。Wi使异方差经受了 “压缩”和“扩张”变为同方差
(3)加权最小二乘法的定义 通过加权残差平方和 ∑mE2=∑n(v;-(b+b1x) 运用OLS法可得参数估计式。这种 求得估计的方法叫做加权最小二乘 法,所得估计参数叫做最小二乘估 计。其中w为权数,通常∑w;=1
20 （3）加权最小二乘法的定义 1 0 1 2 2 w w w w y b b x i i i i i OLS i i 计。其中 为权数，通常 法，所得估计参数叫做最小二乘估 求得估计的方法叫做加权最小二乘 运用 法可得参数估计式。这种 通过加权残差平方和