《期末：计量t,f,平方和概念》由会员分享，可在线阅读，更多相关《期末：计量t,f,平方和概念（68页珍藏版）》请在金锄头文库上搜索。
1、计量经济学,线性回归模型的各种检验,计量经济学线性回归模型的各种检验,对计量经济学模型的检验包括对回归模型的理论检验（经济意义检验）、统计检验、计量经济学检验、预测检验等。 理论检验（经济意义检验）指的是依据经济理论来判断估计参数的正负号是否合理、大小是否适当。 经济意义检验是第一位的。如果模型不能够通过经济意义检验，则必须找出原因，在找出原因的基础上对模型进行修正或重新估计模型。如果通过了经济意义检验，则可进行下一步的统计检验。,线性回归模型的各种检验,理论检验（经济意义检验） 统计检验 计量经济学检验 预测检验 这一节主要讨论各种统计检验,回归模型的统计检验,统计检验指的是根据统计学的理论
2、，确定回归参数估计值的统计可靠性。 统计检验主要包括：回归方程估计标准误差的评价、拟合优度检验、回归模型的总体显著性检验和回归系数的显著性检验等。 这里主要讨论拟合优度检验、回归模型的总体显著性检验、回归系数的显著性检验等。,回归模型的统计检验,拟合优度检验 回归模型的总体显著性检验 回归系数的显著性检验 正态性检验 检验回归的函数形式:MWD检验 假设检验三联体 模型的结构稳定性检验 缺失变量检验和多余变量检验,拟合优度检验,总平方和、回归平方和、残差平方和 平方和的分解 拟合优度的定义 拟合优度与F统计量之间的联系 拟合优度等于实际值与拟合值之间简单相关系数的平方,拟合优度检验,如果所有的
3、观测值都落在回归直线上，就称为完全拟合。但这种情况很少见。一般情况下，回归后总会出现正的或负的残差，它们围绕在回归直线的周围。通过对这些残差的分析，有助于衡量回归直线拟合样本点的程度。 拟合优度指样本回归直线与观测值之间的拟合程度。 在简单线性回归中，用决定系数衡量估计模型对观测值的拟合程度。在多元回归中，用多重决定系数和修正的多重决定系数来衡量。,拟合优度检验,要说明多元回归模型对观测值的拟合情况，可以考察在Y的总变差中能够由解释变量解释的那部分变差的比重，即回归平方和与总离差平方和的比值。这一比值就称为多重决定系数，它一般用 表示。,总平方和、回归平方和、残差平方和,总平方和、回归平方和、
4、残差平方和,TSS即总离差平方和，它度量被解释变量Y的观测值自身的差异程度。 RSS即回归平方和，即总变差中可由回归直线（即解释变量）解释的部分，表示解释变量对被解释变量的线性影响，因此也称为解释变差。它度量因变量Y的拟合值自身的差异程度。 ESS即残差平方和，是总变差中不能够由回归直线解释的部分，是由解释变量对被解释变量的影响之外的因素所造成的，它度量实际值与拟合值之间的差异程度。,总平方和、回归平方和、残差平方和,显然，回归平方和RSS越大，残差平方和ESS越小，从而被解释变量总变差中能够由解释变量解释的那部分变差就越大，模型对观测数据的拟合程度就越高。 因此定义多重决定系数为解释变差占总
5、变差的比重，用来表述解释变量对被解释变量的解释程度。,拟合优度的定义,拟合优度的定义： 含义：拟合优度越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比越高，观察点在回归直线附近越密集。 取值范围：0-1。当拟合优度为1时，被解释变量的变化完全由回归直线解释，所有观测点都落在回归直线上；当它取值为0时，解释变量与被解释变量之间没有任何线性关系。,平方和的分解,平方和分解的意义,TSS=RSS+ESS 被解释变量Y总的变动（差异）=解释变量X引起的变动（差异）+除X以外的因素引起的变动（差异） 如果X引起的变动在Y的总变动中占很大比例，那么X很好地解释了Y；否则，X不能很好地解
6、释Y。,相应自由度的分解,总自由度：dfT=n-1 回归自由度：dfR=k（自变量的个数） 残差自由度：dfE=n-k-1 自由度分解：dfT=dfR+dfE,拟合优度等于实际值与拟合值之间简单相关系数的平方,修正的决定系数,在应用过程中人们发现，随着模型中解释变量的增多，多重决定系数的值往往会变大，从而增加模型的解释功能。这给人一个错觉，即要使模型拟合得好，就必须增加解释变量。但是另一方面，在样本容量一定的情况下，增加解释变量必然会使得待估参数的个数增加，从而损失自由度；而且在实际中，有些解释变量的增加根本就是不必要的。对于这些不必要的解释变量的引入不仅对于估计结果无益，同时还意味着预测的精
7、确度的降低。也就是说，不应该仅根据决定系数是否增大来决定某解释变量是否应引入模型。 事实上，研究模型的拟合优度时，常常并不简单地仅依靠多重决定系数，更常考虑的是修正的决定系数。,修正的决定系数,修正的决定系数对决定系数进行调整的思路是:将残差平方和与总离差平方和分别除以各自的自由度，以剔除变量个数对拟合优度的影响。,修正的决定系数,修正的决定系数,引入修正的决定系数的作用： 用自由度调整后，可以消除拟合优度评价中解释变量多少对决定系数计算的影响； 对于包含的解释变量个数不同的模型，可以用调整后的决定系数直接比较它们的拟合优度的高低，但不能直接用未调整的决定系数来比较。,修正的决定系数,需要说明
8、的问题,在实际应用中，我们往往希望所建立模型的决定系数或修正的决定系数越大越好。但应注意，决定系数只是对模型拟合优度的度量，决定系数或修正的决定系数越大，只能说明列入模型的解释变量对被解释变量整体的影响程度很大，并不能说明模型中各个解释变量对被解释变量的影响程度显著。因此在选择模型时，不能单纯地凭决定系数的高低来断定模型的优劣，有时从模型的经济意义和整体可靠程度的角度出发，可以适当降低对决定系数的要求。,需要说明的问题,在消费模型中， R20.28F3.80该线性模型在0.99的水平下显著成立。 有许多著名的模型， R2小于 0.5，支持了重要的结论，例如收入差距的倒U型规律。 不要片面追求拟
9、合优度,什么时候增加新的解释变量,在实际中，为了解释某一现象，研究者往往面对如何取舍若干解释变量的问题。通常的做法是，只要修正的判定系数值增加（即使修正的判定系数可能小于非修正的判定系数的值），就可以增加解释变量。但是什么时候修正的判定系数值开始增加呢？可以证明，如果增加变量的系数的t的绝对值大于1，修正的判定系数就会增加。,在Eviews中的实现,许多的计量经济学软件可以给出决定系数和修正的决定系数，从而实现拟合优度检验。 Eviews中同样可以实现这一目的。估计完回归方程后的结果中自动会包含决定系数和修正的决定系数。 例。,决定系数的值多大合适？,决定系数的值越高，拟合得越好。但什么是高？
10、回归中使用时间序列数据还是横截面数据有不同的标准。对时间序列数据来说，决定系数的值在0.8、0.9 以上是很常见的事，而在横截面数据的情况下，0.4、0.5的决定系数值有时也不能算低。,赤池信息准则和施瓦茨准则,为了比较所含解释变量个数不同的多元回归模型的拟合优度，常用的标准还有: 赤池信息准则（Akaike information criterion, AIC） 施瓦茨准则（Schwarz criterion，SC） 这两准则均要求仅当所增加的解释变量能够减少AIC值或SC值时才在原模型中增加该解释变量。,回归模型的总体显著性检验,拟合优度检验可以说明模型对样本数据的近似情况。模型的总体显著
11、性检验则一般用来检验全部解释变量对被解释变量的共同影响是否显著。,回归模型的总体显著性检验,回归模型的总体显著性检验,大部分的计量经济学软件可以实现回归模型的总体显著性检验。Eviews中也可以轻松地实现。估计完方程后的结果中自动会给出F统计量的值与伴随概率。,拟合优度检验和F检验的关系,F检验和拟合优度检验都是把总变差TSS分解为回归平方和与残差平方和，并在这一分解的基础上构造统计量进行的检验。区别在于前者有精确的分布而后者没有。一般来说，模型对观测值的拟合程度越高，模型总体线性关系的显著性越强。,拟合优度检验和F检验的关系,F显著=拟合优度必然显著,拟合优度检验和F检验的关系,反过来有 可
12、以看出，随着决定系数和修正的决定系数的增加，F统计量的值也不断增大；反过来也是如此。这说明二者之间具有一致性。但是，决定系数和修正的决定系数只能提供一个模糊的推测，它们的值要达到多少才算模型通过了检验并没有确定的界限；而F检验则不同，它可以在给定显著性水平下，给出统计意义上严格的结论。,拟合优度检验和F检验的关系,回归参数的显著性检验,模型通过F检验，可以说明模型中所有解释变量对被解释变量的“总体影响”是显著的，但并不意味着模型中的每一个解释变量对被解释变量都有重要的影响，或者说，并不说明每个解释变量的单独影响都是显著的。 要确定每一个解释变量对被解释变量的具体影响是否显著，需要进行单个回归系
13、数的显著性检验即t检验。,变量的显著性检验（t检验）,方程的总体线性关系显著每个解释变量对被解释变量的影响都是显著的 必须对每个解释变量进行显著性检验，以决定是否作为解释变量被保留在模型中。 这一检验是由对变量的t检验完成的。 检验目的：回归模型中是否存在线性关系？这种关系是显著的吗？,t检验,回归参数的t检验,回归参数的t检验,一元线性回归中，t检验与F检验一致,一方面，t检验与F检验都是对相同的原假设H0：1=0 进行检验; 另一方面，两个统计量之间有如下关系：,正态性检验：Jarque-Bera检验,统计检验过程是建立在假设随机误差项服从正态分布的基础上的。由于不能直接观察真实的误差项，
14、但能够得到其近似值即残差，因此可通过对残差的研究来研究误差项的正态性。 一种常用的正态性检验方法是Jarque-Bera (雅克贝拉)检验，简称JB检验。 许多统计软件可以实现这一检验，Eviews也可以实现。,正态性检验：Jarque-Bera检验,正态性检验：Jarque-Bera检验,正态性检验：Jarque-Bera检验,在Eviews中的实现 选择并打开要检验的变量，点击descriptive stats/common sample项，得到的结果中即包含JB统计量。 P值将近0，表明序列不服从正态分布。,检验回归的函数形式:MWD检验,选择线性回归模型或对数线性回归模型是经验分析中由
15、来已久的一个问题。 麦金农(MacKinnon)、怀持(white)和戴维森(Davidson)提出一种检验方法，可用于在两个模型之间进行选择，简称为MWD检验。,检验回归的函数形式:MWD检验,检验回归的函数形式:MWD检验,检验回归的函数形式:MWD检验,MWD检验虽然看似复杂，其实这个检验的逻辑很简单。如果线性模型是事实上正确的模型，第4步的构造变量就不会是统计上显著的，因为这时从线性模型估计来的y值和从对数线性模型估计出来的(为了比较而取反对数之后的)就不会有什么差别，同样的评语也适用于对立假设Hl。,模型的结构稳定性检验：chow检验,当回归模型涉及时间序列数据时，被解释变量和解释变
16、量之间的关系可能会发生结构变化，模型中会存在转折点。 转折点的出现可能是由于社会制度、经济政策的变化、社会动荡等原因。 如何发现模型中是否确实发生了结构变化？邹志庄检验是一个有效的检验工具。,模型的结构稳定性检验：chow检验,邹氏转折点检验的目的是检验在整个样本的各个子样中模型的系数是否相等。如果模型在不同子样中的系数不同，则说明模型中存在着转折点。,模型的结构稳定性检验：chow检验,邹氏转折点检验应用的限制条件： 必须满足古典假定条件 邹氏检验的结果仅告诉我们是否存在结构差异，而无法得知导致这种差异的原因。 邹检验假定知道结构发生变化的时间点。如果不清楚这一信息，则需要采用其它方法。,模型的结构稳定性检验：chow检验,模型的结构稳定性检验：chow检验,模型的结构稳定性检验：chow检验,模型的结构稳定性检验：chow检验,chow检验Eviews中的实现 利用全部数据进行ols估计 在方程窗口点击viewstability testchow breakpoint test，打开chow test对话框。在对话框内输入转折点年份，点击ok。 p0.01(0.
