计量经济学 第二章.pptVIP

二、时间序列问题 上述实例表明，时间序列完全可以进行类似于截面数据的回归分析。 然而，在时间序列回归分析中，有两个需注意的问题： 第一，关于抽样分布的理解问题。 能把表2.5.1中的数据理解为是从某个总体中抽出的一个样本吗？ 可决系数R2，考察被解释变量Y的变化中可由解释变量X的变化“解释”的部分。 第二，关于“伪回归问题”（spurious regression problem）。 在现实经济问题中，对时间序列数据作回归，即使两个变量间没有任何的实际联系，也往往会得到较高的可决系数，尤其对于具有相同变化趋势（同时上升或下降）的变量，更是如此。 这种现象被称为“伪回归”或“虚假回归”。 感谢您的专注！您辛苦了！ 二、变量的显著性检验 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。 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。 1、假设检验 所谓假设检验，就是事先对总体参数或总体分布形式作出一个假设，然后利用样本信息来判断原假设是否合理，即判断样本信息与原假设是否有显著差异，从而决定是否接受或否定原假设。 假设检验采用的逻辑推理方法是反证法。 先假定原假设正确，然后根据样本信息，观察由此假设而导致的结果是否合理，从而判断是否接受原假设。 判断结果合理与否，是基于“小概率事件不易发生”这一原理的 2、变量的显著性检验 检验步骤： （1）对总体参数提出假设 H0： ?1=0， H1：?1?0 （2）以原假设H0构造t统计量，并由样本计算其值 （3）给定显著性水平?，查t分布表，得临界值t ?/2(n-2) (4) 比较，判断 若 |t| t ?/2(n-2)，则拒绝H0 ，接受H1 ； 若 |t|? t ?/2(n-2)，则拒绝H1 ，接受H0 ； 见后面证明 对于一元线性回归方程中的?0，可构造如下t统计量进行显著性检验： 在上述收入-消费支出例中，首先计算?2的估计值 t统计量的计算结果分别为： 给定显著性水平?=0.05，查t分布表得临界值 t 0.05/2(8)=2.306 |t1|2.306，说明家庭可支配收入在95%的置信度下显著，即它是消费支出的主要解释变量； |t0|2.306,表明在95%的置信度下，无法拒绝截距项为零的假设。 2-t经验法则 如果自由度≥20，且显著性水平定在5%，那么t值在绝对值上超过2时，就可以拒绝原假设。 假设检验可以通过一次抽样的结果检验总体参数可能的假设值的范围（如是否为零），但它并没有指出在一次抽样中样本参数值到底离总体参数的真值有多“近”。 要判断样本参数的估计值在多大程度上可以“近似”地替代总体参数的真值，往往需要通过构造一个以样本参数的估计值为中心的“区间”，来考察它以多大的可能性（概率）包含着真实的参数值。这种方法就是参数检验的置信区间估计。 三、参数的置信区间 如果存在这样一个区间，称之为置信区间（confidence interval）； 1-?称为置信系数（置信度）（confidence coefficient）， ?称为显著性水平（level of significance）；置信区间的端点称为置信限（confidence limit）或临界值（critical values）。 一元线性模型中，?i (i=1，2）的置信区间: 在变量的显著性检验中已经知道： 意味着，如果给定置信度（1-?），从分布表中查得自由度为(n-2)的临界值，那么t值处在(-t?/2, t?/2)的概率是(1-? )。表示为： 即 于是得到:(1-?)的置信度下, ?i的置信区间是 在上述收入-消费支出例中，如果给定? =0.01，查表得： 由于 于是，?1、?0的置信区间分别为： （0.6345,0.9195) （-433.32,226.98） 由于置信区间一定程度地给出了样本参数估计值与总体参数真值的“接近”程度，因此置信区间越小越好。 要缩小置信区间，需 （1）增大样本容量n，因为在同样的置信水平下，n越大，t分布表中的临界值越小；同时，