《第十三章 模型检验的常用统计量》由会员分享，可在线阅读，更多相关《第十三章 模型检验的常用统计量（53页珍藏版）》请在金锄头文库上搜索。
1、第13章 模型检验的常用统计量,13.1 模型总显著性的F检验 13.2 模型单个回归参数显著性的t检验 13.3 检验若干线性约束条件是否成立的F检验 13.4 似然比（LR）检验 13.5 沃尔德（Wald）检验 13.6 拉格朗日乘子（LM）检验 13.7 AIC、SC和HQ准则 13.8 JB（Jarque-Bera）正态分布检验 13.9 格兰杰（Granger）因果性检验 13.10 邹（Chow）突变点检验,在建立模型过程中，要对模型参数以及模型的各种假定条件作检验。这些检验要通过运用统计量来完成。 已经介绍过检验单个回归参数显著性的t统计量和检验模型参数总显著性的F统计量。介绍
2、了模型误差项是否存在异方差的Durbin-Watson检验、White检验；介绍了模型误差项是否存在自相关的DW检验和BG检验。 本章开始先简要总结模型参数总显著性的F检验、单个回归参数显著性的t检验。然后再介绍几个在建模过程中也很常用的其他检验方法。他们是检验模型若干线性约束条件是否成立的F检验和似然比（LR）检验、Wald检验、LM检验、JB检验以及Granger非因果性检验。,第13章 模型检验的常用统计量,13.1 模型总显著性的F 检验,以多元线性回归模型，yt = 0+1xt1+2xt2+k xt k+ ut为例， 原假设与备择假设分别是 H0：1= 2 = = k = 0； H1
3、：j不全为零 在原假设成立条件下，统计量 其中SSR指回归平方和；SSE指残差平方和；k+1表示模型中 被估参数个数；T 表示样本容量。判别规则是， 若 F F (k,T-k-1)，接受H0； 若 F F (k,T-k-1) , 拒绝H0。,13.2 模型单个回归参数显著性的t 检验,13.3 检验若干线性约束条件是否成立的F 检验,例13.1：建立中国国债发行额模型。 首先分析中国国债发行额序列的特征。1980年国债发行额是43.01亿元，占GDP当年总量的1%，2001年国债发行额是4604亿元，占GDP当年总量的4.8%。以当年价格计算，21年间（1980-2001）增长了106倍。平均
4、年增长率是24.9%。 中国当前正处在社会主义市场经济体制逐步完善，宏观经济运行平稳阶段。国债发行总量应该与经济总规模，财政赤字的多少，每年的还本付息能力有关系。,13.3 检验若干线性约束条件是否成立的F 检验,例13.1：建立中国国债发行额模型,选择3个解释变量，国内生产总值，财政赤字额，年还本付息额，根据散点图建立中国国债发行额模型如下： DEBTt = 0 +1 GDPt +2 DEFt +3 REPAYt + ut 其中DEBTt表示国债发行总额（单位：亿元），GDPt表示年国内生产总值（单位：百亿元），DEFt表示年财政赤字额（单位：亿元），REPAYt表示年还本付息额（单位：亿元
5、）。,用19802001年数据得输出结果如下； DEBTt = 4.31 +0.35 GDPt +1.00 DEFt +0.88 REPAYt (0.2) (2.2) (31.5) (17.8) R2 = 0.999, DW=2.12, T =22, SSEu= 48460.78, (1980-2001) 是否可以从模型中删掉DEFt和REPAYt呢？可以用F统计量完成上述检验。 原假设H0是3 = 4 = 0（约束DEFt和REPAYt的系数为零）。 给出约束模型估计结果如下， DEBTt = -388.40 +4.49 GDPt (-3.1) (17.2) R2 = 0.94, DW=0.
6、25, T =22, SSEr= 2942679, (1980-2001) 已知约束条件个数m = 2，T- k-1 = 18。SSEu= 48460.78，SSEr= 2942679。 因为F=537.5 F( 2, 18) =3.55，所以拒绝原假设。不能从模型中删除解释变量DEFt和REPAYt。,例13.1：建立中国国债发行额模型,EViews可以有三种途径完成上述F检验。 （1）在输出结果窗口中点击View，选Coefficient Tests, Wald Coefficient Restrictions功能（Wald参数约束检验），在随后弹出的对话框中填入c(3) = c(4) =
7、 0。可得如下结果。其中F = 537.5。,例13.1：建立中国国债发行额模型,（2）在非约束模型输出结果窗口中点击View，选Coefficient Tests, Redundant Variables -Likelihood Ratio功能（模型中是否存在多余的不重要解释变量），在随后弹出的对话框中填入GDP，DEF。 可得计算结果F = 537.5。 （3）在约束模型输出结果窗口中点击View，选Coefficient Tests, Omitted Variables -Likelihood Ratio功能（模型中是否丢了重要的解释变量），在随后弹出的对话框中填入拟加入的解释变量GDP
8、，DEF。 可得结果F = 537.5。,例13.1：建立中国国债发行额模型,似然比检验、wald检验、拉格朗日乘数检验,都基于MLE，就大样本而言三者是渐进等价的。 似然比检验的思想是：如果参数约束是有效的，那么加上这样的约束不应该引起似然函数最大值的大幅度降低。 也就是说似然比检验的实质是在比较有约束条件下的似然函数最大值与无约束条件下似然函数最大值。 似然比定义为有约束条件下的似然函数最大值与无约束条件下似然函数最大值之比。以似然比为基础可以构造一个服从卡方分布统计量。,似然比检验、wald检验、拉格朗日乘数检验,wald检验的思想是：如果约束是有效的，那么在没有约束情况下估计出来的估计
9、量应该渐进地满足约束条件，因为MLE是一致的。 以无约束估计量为基础可以构造一个Wald统计量，这个统计量也服从卡方分布； 拉格朗日乘数检验的思想是：在约束条件下，可以用拉格朗日方法构造目标函数。如果约束有效，则最大化拉格朗日函数所得估计量应位于最大化无约束所得参数估计值附近。 这里也是构造一个LM统计量，该统计量服从卡方分布。,似然比检验、wald检验、拉格朗日乘数检验,对于似然比检验，既需要估计有约束的模型，也需要估计无约束的模型； 对于Wald检验，只需要估计无约束模型； 对于LM检验，只需要估计有约束的模型。 一般情况下，由于估计有约束模型相对更复杂，所有Wald检验最为常用。对于小样
10、本而言，似然比检验的渐进性最好，LM检验也较好，Wald检验有时会拒绝原假设，其小样本性质不尽如人意。,13.4 似然比（LR）检验,13.4 似然比（LR）检验,似然比（LR）检验的EViews操作有两种途径。 （1）在非约束模型估计结果窗口中点击View，选Coefficient Tests, Redundant Variables -Likelihood Ratio功能（模型中是否存在多余的不重要解释变量），在随后弹出的对话框中填入GDP，DEF。可得结果。其中LR（Log likelihood ratio）= 90.34，与上面的计算结果相同。 （2）在约束模型估计结果窗口中点击Vie
11、w，选Coefficient Tests, Omitted Variables -Likelihood Ratio功能（模型中是否丢了重要的解释变量），在随后弹出的对话框中填入拟加入的解释变量GDP，DEF。可得结果。其中LR（Log likelihood ratio）= 90.34，与上面的计算结果相同。,13.4 似然比（LR）检验,13.5 沃尔德（Wald）检验,13.5 沃尔德（Wald）检验,13.5 沃尔德（Wald）检验,13.5 沃尔德（Wald）检验,在原假设 1 2 = 3 成立条件下，W统计量渐近服从 (1) 分布。,13.5 沃尔德（Wald）检验,13.5 沃尔德（
12、Wald）检验,13.5 沃尔德（Wald）检验,在窗口中点击View，选Coefficient Tests, Wald-Coefficient Restrictions功能，并在随后弹出的对话框中填入C(2)/C(3)=0.5，得输出结果如图。 其中2 = 0.065即是Wald统计量的值。上式W= 0.075与此略有出入。 因为W= 0.065对应的概率大于0.05，说明统计量落在原假设的接收域。结论是接受原假设（约束条件成立）。,13.5 沃尔德（Wald）检验,13.6 拉格朗日乘子（LM）检验,拉格朗日（Lagrange）乘子（LM）检验只需估计约束模型。所以当施加约束条件后模型形式
13、变得简单时，更适用于这种检验。 LM乘子检验可以检验线性约束也可以检验非线性约束条件的原假设。 对于线性回归模型，通常并不是拉格朗日乘子统计量（LM）原理计算统计量的值，而是通过一个辅助回归式计算LM统计量的值。,13.6 拉格朗日乘子（LM）检验,LM检验的辅助回归式计算步骤如下： (1) 确定LM辅助回归式的因变量。用OLS法估计约束模型，计算残差序列，并把作为LM辅助回归式的因变量。 (2) 确定LM辅助回归式的解释变量。例如非约束模型如下式, yt = 0 + 1 x1t + 2 x2 t + + k xk t + ut 把上式改写成如下形式 ut = yt - 0 - 1 x1t -
14、 2 x2 t - - k xk t 则LM辅助回归式中的解释变量按如下形式确定。 - , j = 0, 1, , k. 对于非约束模型，LM辅助回归式中的解释变量是1, x1t , x2t , , xk t 。第一个解释变量1表明常数项应包括在LM辅助回归式中。,13.6 拉格朗日乘子（LM）检验,(3) 建立LM辅助回归式， = + 1 x1t + 2 x2 t + + k xk t + vt , 其中由第一步得到。 (4) 用OLS法估计上式并计算可决系数R 2。 (5) 用第四步得到的R2计算LM统计量的值。 LM = T R 2 其中T表示样本容量。在零假设成立前提下，TR 2 渐近
15、服从m个自由度的 2(m) 分布，(m) LM = T R 2 2 (m) 其中m表示约束条件个数。,13.6 拉格朗日乘子（LM）检验,13.6 拉格朗日乘子（LM）检验,13.9 格兰杰（Granger）因果性检验,13.9 格兰杰（Granger）因果性检验,注意： （1）“格兰杰因果性”的正式名称应该是“格兰杰非因果性”。只因口语都希望简单，所以称作“格兰杰因果性”。 （2）为简便，通常总是把xt-1 对yt存在（或不存在）格兰杰因果关系表述为xt（去掉下标 -1）对yt存在（或不存在）格兰杰因果关系（严格讲，这种表述是不正确的）。 （3）格兰杰因果关系与哲学意义的因果关系还是有区别的。如果说“xt 是yt的格兰杰原因”只是表明“xt中包括了预测yt的有效信息”。 （4）这个概念首先由格兰杰（Granger）在1969年提出。,13.9 格兰杰（Granger）因果性检验,例11.8： 以661天（1999年1月4日至2001年10月5日）的上证综指（SHt）和深证成指（SZt）数据为例，进行双向的Granger非因果性分析。 两个序列存在高度的相关关系，那么两个序列间可能存在双向因果关系，也有可能存在单向因果关系。,13.9 格兰杰（Granger）因果性检验,13.9 格兰杰（Grange
