经典单方程计量经济学模型.pptVIP

对于Y的总体均值E(Y|X)与个体值的预测区间（置信区间），有: （1）样本容量n越大，预测精度越高，反之预测精度越低； （2）样本容量一定时，置信带的宽度当在X均值处最小，其附近进行预测（差值预测）精度越大；X越远离其均值，置信带越宽，预测可信度下降。 5.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。 第二，关于“伪回归问题” 可决系数 ，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。 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”。 2.4参数估计量的性质 在满足基本假设的情况下，其结构参数?的普通最小二乘估计、最大或然估计及矩估计仍具有：线性性、无偏性、有效性。同时，随着样本容量增加，参数估计量具有：渐近无偏性、渐近有效性、一致性。 2.5 样本容量问题 2.满足基本要求的样本容量 从统计检验的角度：n?3时， Z检验才能应用；n-k?8时, t分布较为稳定。 一般经验认为: 当n?30或者至少n?3(k+1)时，才能说满足模型估计的基本 要求。模型的良好性质只有在大样本下才能得到理论上的证 明。 3.1 拟合优度检验 3.1.1可决系数与调整的可决系数： 3.1.2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） 3.2方程的显著性检验(F检验) 方程的显著性检验，旨在对模型中被解释变量与解释变量之间的线性关系在总体上是否显著成立作出推断。 2、拟合优度检验与方程显著性检验关系的讨论 由 3.3 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 3.4 参数的置信区间 参数的置信区间用来考察：在一次抽样中所估计的参数值离参数的真实值有多“近”。 在变量的显著性检验中已经知道： 6. 受约束回归 在建立回归模型时，有时根据经济理论需对模型中变量的参数施加一定的约束条件。 6.1 模型参数的线性约束 6.4 非线性约束 也可对模型参数施加非线性约束,如对模型 6.4.2 沃尔德检验（Wald test, W） 沃尔德检验中，只须估计无约束模型。如对 但是,如果约束条件为真，则受约束回归模型与无约束回归模型具有相同的解释能力，RSSR 与 RSSU的差异变小。 可用RSSR - RSSU的大小来检验约束的真实性,根据数理统计学的知识： 于是： 如果约束条件无效， RSSR 与 RSSU的差异较大，计算的F值也较大。于是，可用计算的F统计量的值与所给定的显著性水平下的临界值作比较，对约束条件的真实性进行检验。 注意，kU - kR恰为约束条件的个数。 这里的F检验适合所有关于参数线性约束的检验 如：多元回归中对方程总体线性性的F检验： H0： ?j=0 j=1,2,…,k 这里：受约束回归模型为 这里，运用了ESSR ＝0。 如果约束条件为真，即额外的变量Xk+1,…, Xk+q对Ｙ没有解释能力，则Ｆ统计量较小； 否则，约束条件为假，意味着额外的变量对Ｙ有较强的解释能力，则Ｆ统计量较大。 因此，可通过F的计算值与临界值的比较，来判断额外变量是否应包括在模型中。 Ｆ统计量的另一个等价式: 6.2 对回归模型增加或减少解释变量 对于多元线性回归模型 易知 Y的随机抽取的n组样本观测值的联合概率 即为变量Y的似然函数。 对数或然函数为 对对数或然函数求极大值，也就是对 求极小值。 因此，参数的最大或然估计为 结果与参数的普通最小二乘估计相同 2.3 矩方法是工具变量方法(Instrumental Variables,IV)和广义矩估计方法(Generalized Moment Method, GMM)的基础。 在矩方法中关键是利用了基本假设： E(X’?)=0 如果某个解释变量与随机项相关，只要能找到1个工具变量，仍然可以构成一组矩条件。这就是IV。 如果存在＞k+1个变量与随机项不相关，可以构成一组包含＞k+1方程的矩条件。这就是GMM。 1、线性性 其中,C=(X’X)-1 X’ 为一仅与固定的X有关的行向量。 2、