第03章 基本回归模型.pptVIP

注意： (1) 遗漏变量检验要求在原始方程中和检验方程中观测值数相等。如果要加入变量的任一序列与原方程样本相比，含有缺失观测值（当加入滞后变量时这种情况常见），检验统计量将无法建立。 (2) 遗漏变量检验可应用于线性LS，TSLS，ARCH，Binary, Ordered, Censored, Count模型估计方程。只有通过列表法列出回归因子定义方程而不能通过公式，检验才可以进行。 2. 如何进行遗漏变量检验 选择View/Coefficient Tests/Omitted Variables—Likelihood Ration，在打开的对话框中，列出检验统计量名，用至少一个空格相互隔开。 例如：原始回归为： log(q) c log(L) log(k) 。输入：K L EViews将显示含有这两个附加解释变量的无约束回归结果，而且显示原假设：新添变量系数为0 的检验统计量。输出的结果如下： 对数似数比统计量就是LR检验统计量且渐进服从于?2 分布，自由度等于添加回归因子数。 本例中，检验结果不能拒绝原假设，即添加变量不显著。 三、冗余(Redundant Variables)变量 1. 冗余变量检验原理 冗余变量检验可以检验方程中一部分变量的统计显著性。更正式，可以确定方程中一部分变量系数是否为0，从而可以从方程中剔出去。原假设：被检验变量系数为0。冗余变量检验可以应用于线性LS，TSLS，ARCH（仅均值方程），Binary, Ordered, Censored, Count模型估计方程。只有以列表法列出回归因子形式，而不是公式定义方程，检验才可以进行。 2. 如何进行冗余变量检验 选择View/Coefficient Tests/Redundant Variable—likelihood Ratio，在对话框中，输入每一检验的变量名，相互间至少用一空格隔开。 例如：原始回归为 log(Q) c log(L) log(K) K L 如果输入增加的变量K和L ，EViews显示去掉这两个回归因子的约束回归结果，以及检验原假设：被检验变量系数为0 的统计量。结果如下： 检验统计量是F统计量和对数似然比。如果误差是独立正态分布随机变量，F统计量有确定有限样本F分布，分子自由度为原假设下系数约束条件数，分母自由度为总回归自由度。LR检验是渐近检验，服从?2 分布。 四、因子分割点检验 因子分割点检验按照一个或者多个分类变量的取值将全部的样本分割成若干子样本，检验利用这些子样本估计出来的方程是否存在显著的差别。如果存在显著的差别，说明变量的关系存在结构变化。比如，可以用这种检验对工资水平是否因为性别差异而受到影响进行检验，即用“性别”变量的取值将样本分割成两部分，检验子样本所估计出来的方程系数是否存在显著差异。因子分割点检验将检验方程的全部系数是否有显著的结构变化，在方程是线性的情形下，也可以检验部分参数是否存在结构变化。这种检验对于普通最小二乘法、二阶段最小二乘法估计的方程都是适用的。 因子分割点检验的原假设H0：不存在分割点，检验方法可以通过F检验、似然比（LR）检验和Wald检验。 （1）F统计量 对具有约束条件和无约束条件两种情况的残差平方和进行比较，最简单情况即检验是否存在一个分割点时，计算如下 （3.4.15） 其中， 是利用整个样本的数据进行回归得到的残差平方和（相当于施加了在两个子样本期间不存在结构变化的约束）， 是基于第i个子样本进行参数估计后计算得到的残差平方和如果基于两个子样本估计的方程没有发生显著变化，F值应该很小，反之，当F值大于临界值时，拒绝不存在分割点的原假设，即可以认为出现了结构变化。 （2）对数似然比LR统计量 对具有约束条件和没有约束条件下的极大对数似然值进行比较。LR统计量由式（3.4.9）计算。在H0下，LR统计量渐近地服从?2分布，自由度等于分割点个数乘以（k+1）。 （3）Wald检验统计量 将在基于所有子样本估计的方程系数都相同的约束条件构造如式（3.4.4）所示的标准Wald统计量。在H0下，Wald统计量渐近地服从?2 分布，自由度等于分割点个数乘以（k+1）。 因子分割点检验