想深度理解CFA官方教材内容?请关注“边际实验室”!
“边际实验室”作为金融科技与金融大数据领域的专业工作室,致力于为投资者提供CFA、FRM等金融考试内容的精细解读及实战指导。
考虑到异方差性对分析结果的影响,精准判断其存在与否显得尤为重要。Breusch-Pagan检验是金融研究中常用的判断方法。
Breusch和Pagan(1979年)提出的检验方法主要是:对回归方程中的自变量残差平方进行回归分析。若条件异方差不存在,自变量将无法解释残差平方的大部分变化。若存在条件异方差,自变量将能够解释残差平方的显著变化,因为当自变量影响误差的方差时,每个观测值的平方残差将与自变量相关。
经Breusch和Pagan证明,在原假设即无条件异方差的情形下,nR2(即原始回归的自变量残差平方的回归决定的系数)应服从自由度等于自变量数量的χ²分布。这表明回归的残差平方与自变量应当不相关。而备择假设则指出残差平方与自变量存在相关性。
接下来,通过一个实例来阐释Breusch-Pagan检验在条件异方差检测中的应用:利率与预期通货膨胀率之间的关系。
譬如,一位分析师欲探究名义利率与预期通货膨胀率之间的关系,以决定如何在固定收益投资组合中分配资产。他们想验证费雪效应,即欧文·费渔提出的假设:预期通货膨胀率每增加1个百分点,名义利率将相应增加。此效应可表达为以下关系:
i = r + πe
其中:
为了用时间序列数据测试费雪效应,可以设定以下回归模型。
it = b0 + b1 × πte + εt
费雪效应预测通货膨胀变量的系数为1。原假设和备择假设可描述为:
H0:b1 = 1 (即费雪效应成立)
Ha:b1 ≠ 1 (即费雪效应不成立)
在设定0.05的显著性水平下进行估算。在收集预期通胀(πte)和名义利率(it)数据时,需特别注意数据的来源和准确性。
专业预报员的数据被用来衡量预期通胀,而国库券收益率则作为名义利率的衡量指标。研究使用了从1968年第四季度至2013年第四季度的季度数据。
以下是回归结果的图表展示。
为了得出数据是否支持费雪效应的统计决策,需要计算t统计量并将其与临界值进行比较。
在0.05的显著性水平和179个自由度(181-2)下,t临界值约为1.97。t检验的前提是误差是同方差的。在接受t检验的有效性之前,需要检验这些误差是否为条件异方差。
可以对上述回归的残差平方进行Breusch-Pagan检验以检测条件异方差。该检验对预测通货膨胀率的残差平方进行回归分析。若残差平方回归中的R²(图表中未标出)为0.0666,则对应的nR²(检验统计量)为181乘以0.0666,即12.0546。
通常情况下,只有当检验统计量显著大于某个阈值时,才考虑存在异方差性。为此需进行单尾检验以确定是否可以拒绝原假设。在0.05的显著性水平下,χ²分布的一个自由度的临界值为3.84。由于Breusch-Pagan检验的统计量为12.0546,我们可以拒绝原假设中不存在条件异方差的假设。
事实上,即使在更严格的0.01显著性水平下,我们也可以拒绝不存在条件异方差的假设。这表明在对费雪效应的回归分析中,误差项是具有条件异方差的。