《计量经济学 第三章 模型检验课件》由会员分享，可在线阅读，更多相关《计量经济学 第三章 模型检验课件（33页珍藏版）》请在金锄头文库上搜索。
1、第三章 模型检验,1、经济检验 2、统计检验 3、计量检验 4、模型预测检验,1、经济检验,经济检验是模型检验第一个重要检验，因为经验模型的建立，本质就是检验理论模型对现实问题的解释能力。已经被广泛使用的正确的经济理论隐含着对回归模型系数的要求，比如凯恩斯消费函数必须MPC处于01之间，生产函数的边际成本递增等等，因此，建立的计量经济模型是否符合要求必须符合理论模型。这也是大部分设计到计量的经济学论文，首先都要建立一个理论模型，这既有利于建立计量经济模型，也有利于验证计量经济模型是否正确的依据。,经济检验的种类：,A、系数的符号 B、系数的大小 C、相互关系 还有些属于隐含的经济理论要求，这些
2、比较难以直接从回归的系数中得到检验，学习计量经济学必须对经济理论有很好的把握。比如，消费函数中，MPCAPC的要求等。,应该指出的是，不是所有的应用计量经济学论文都必须要先建立一个理论模型的，有些现实问题可能不能直接用一些经典理论来说明，也有可能这种理论根本不存在，这时候，就可以完全通过计量分析建立模型，说明现实问题了。 还有的计量论文是为了验证一些经济理论是否正确的，此时的经济检验就要另当别论了。 但对于我们来说，经济检验必须通过，只有通过了经济检验，才能进行下一步的统计检验。,2、统计检验,（1）模型的拟合优度检验判定系数R2 （2）模型的显著性检验F检验 （3）解释变量的显著性检验t检验
3、 （4）参数的的置信区间检验,为什么要进行统计检验,回归分析是要通过样本所估计的参数来代替总体的真实参数，或者说是用样本回归线代替总体回归线。 尽管从统计性质上已知，如果有足够多的重复 抽样，参数的估计值的期望（均值）就等于其总体的参数真值，但在一次抽样中，估计值不一定就等于该真值。 那么，在一次抽样中，参数的估计值与真值的差异有多大，是否显著，这就需要进一步进行统计检验。 主要包括拟合优度检验、模型的显著性检验、变量的显著性检验及参数的区间估计。,一、拟合优度检验,拟合优度检验：对样本回归直线与样本观测值之间拟合程度的检验。 度量拟合优度的指标：判定系数（可决系数）R2 问题：采用普通最小二
4、乘估计方法，已经保证了模型最好地拟合了样本观测值，为什么还要检验拟合程度？,这是因为虽然OLS保证了残差的平方和最小，但无论对于什么的数据都可以使用OLS求得回归方程，可这些回归方程也许没有意义，比如下面的三个拟合图形：,启示：,上述三个图形中，第二个图形的拟合程度最好，反映在数据几乎都集中在拟合直线的附近。这也就是说，如果对于一条拟合的直线（曲线），数据越集中于拟合直线（曲线），拟合的程度越好（拟合优度越好）。怎样通过一个统计数值来反映这种集中程度呢？ 计量经济学家发现，越是拟合好的直线，回归平方和越大、误差平方和越小。用图表示：,目标：越靠近越好！,注意字母的写法不同，含义一样！,例子：E
5、views中的计算,（2）模型的显著性检验F检验,为什么拟合优度已经很好地描述了数据对模型的精确程度，还要进行模型的显著性检验F检验呢？ 判定系数检验只能说明模型对样本数据的近似情况，但是建立计量经济模型的目的是为了描述总体的经济关系。所谓模型的显著性检验，就是检验模型对总体的近似程度，而且最常用的检验方法是F检验。,F检验基本思想,对于多元线性回归模型： yi=b0+b1x1i+b2x2i+bkxki+i 假设H0: b1=b2=bk=0 若假设成立，则意味着： yi=a+ i 表明y的变换主要由模型之外的变量来决定，模型的线性关系不显著，所设定的模型没有意义。,F检验统计量,在原假设H0成
6、立的情况下，可以证明： 所以，对于给定的显著性水平a，可由F分布表查处临界值Fa（注意是单侧检验），如果根据样本数据计算得出： FFa 则拒绝原假设H0，即回归系数b1,b2,.,bk中至少有一个显著地不为0，此时可以认为模型的线性关系式显著的，否则模型的线性关系不显著。,例子：Eviews中的计算,（3）解释变量的显著性检验t检验,如果模型既有很大的判定系数，也通过了模型的显著性检验，为什么还要进行解释变量的显著性t检验呢？,这是因为，如果模型通过了F检验，则表明模型中所有解释变量对被解释变量的“总影响”是显著的，但这并不同时意味着模型中的每一个将诶是变量对y都有重要影响，或者说并不是每个解
7、释变量的单独影响都是显著。 在设定计量经济模型的时候，我们往往根据经验理论和对所研究系统的经验认识，尽量找出被解释变量的所有影响因素，这些初步选定的影响因素中间很可能就有一些实际上并不重要,或其影响可以由其他变量代替的变量。为了使模型更加简单、合理，应该提出这些不重要的变量，使模型中只保留有显著影响的变量。剔除不显著的解释变量的方法，就是解释变量的显著性检验t检验。,以一元回归为例：,（1）回归分析是要判断解释变量X是否是被解释变量Y的一个显著性的影响因素。 在一元线性模型中，就是要判断X是否对Y具有显著的线性性影响。这就需要进行变量的显著性检验。 （2）变量的显著性检验所应用的方法是数理统计学中的假设检验。 计量经计学中，主要是针对变量的参数真值是否为零来进行显著性检验的。,例子：Eviews中的计算,（4）参数的的置信区间检验,
