应用计量经济学课件模型设定偏误.ppt

模型设定偏误问题 一、模型设定偏误的类型 二、模型设定偏误的后果 三、模型设定偏误的检验 一、模型设定偏误的类型 模型设定偏误主要有两大类: (1)关于解释变量选取的偏误，主要包括漏选相关变量和多选无关变量， (2)关于模型函数形式选取的偏误。 1. 相关变量的遗漏 例如，如果“正确”的模型为: 2. 无关变量的误选 例如，如果 Y=?0+?1X1+?2X2+? 仍为“真”，但我们将模型设定为: Y=?0+ ?1X1+ ?2X2+ ?3X3 +? 3. 错误的函数形式 例如，如果“真实”的回归函数为: 二、模型设定偏误的后果 当模型设定出现偏误时，模型估计结果也会与“实际”有偏差。这种偏差的性质及程度与模型设定偏误的类型密切相关。 1. 遗漏相关变量偏误 采用遗漏相关变量的模型进行估计而带来的偏误称为遗漏相关变量偏误。 2. 包含无关变量偏误 采用包含无关解释变量的模型进行估计带来的偏误，称为包含无关变量偏误。 3. 错误函数形式的偏误 当选取了错误函数形式并对其进行估计时，带来的偏误称错误函数形式偏误。容易判断，这种偏误是全方位的。 三、模型设定偏误的检验 1. 检验是否含有无关变量 2. 检验是否有相关变量的遗漏或函数形式设定偏误 （1）残差图示法 残差序列变化图 （2）一般性设定偏误检验 但更准确更常用的判定方法是拉姆齐(Ramsey)于1969年提出的所谓RESET 检验。 基本思想： 如果事先知道遗漏了哪个变量，只需将此变量引入模型，估计并检验其参数是否显著不为零即可； 例如，在一元回归中，假设真实的函数形式是非线性的，用泰勒定理将其近似地表示为多项式： *（3）同期相关性的豪斯蔓（Hausman）检验 由于在遗漏相关变量的情况下，往往导致解释变量与随机扰动项出现同期相关性，从而使得OLS估计量有偏且非一致。 因此，对模型遗漏相关变量的检验可以用模型是否出现解释变量与随机扰动项同期相关性的检验来替代。这就是豪斯蔓检验（1978）的主要思想。 当解释变量与随机扰动项同期相关时，通过工具变量法可得到参数的一致估计量。 而当解释变量与随机扰动项同期无关时， OLS估计量就可得到参数的一致估计量。 （4）线性模型与双对数线性模型的选择 无法通过判定系数的大小来辅助决策，因为在两类模型中被解释变量是不同的。 为了在两类模型中比较，可用Box-Cox变换: 例 在中国商品进口的例中， 采用线性模型: R2=0.948; 采用双对数线性模型: R2=0.973， 但不能就此简单地判断双对数线性模型优于线性模型。下面进行Box-Cox变换。 检验时，求Y关于X与Z的OLS回归式： 在实际检验中，豪斯蔓检验主要针对多元回归进行，而且也不是直接对工具变量回归，而是对以各工具变量为自变量、分别以各解释变量为因变量进行回归。 如对二元回归模型: (*) 通过增加解释变量的F检验，检验联合假设： H0：?1=?2=0 。 拒绝原假设，就意味着（*）式中的解释变量与随机扰动项相关。 第一步，计算Y的样本几何均值。 第二步，用得到的样本几何均值去除原被解释变量Y，得到被解释变量的新序列Y*。 第三步，用Y*替代Y，分别估计双对数线性模型与线性模型。并通过比较它们的残差平方和是否有显著差异来进行判断。 Zarembka（1968）提出的检验统计量为： 其中，RSS1与RSS2分别为对应的较大的残差平方和与较小的残差平方和，n为样本容量。 可以证明：该统计量在两个回归的残差平方和无差异的假设下服从自由度为1 的?2分布。 因此，拒绝原假设时，就应选择RSS2的模型。 计算原商品进口样本的几何平均值为： 计算出新的商品进口序列： * 而我们将模型设定为: 即设定模型时漏掉了一个相关的解释变量。 这类错误称为遗漏相关变量。 即设定模型时，多选了一个无关解释变量。 但却将模型设定为: 设正确的模型为: Y=?0+?1X1+?2X2+? 却对 Y=?0+ ?1X1+v 进行回归，得: 将正确模型 Y=?0+?1X1+?2X2+? 的离差形式: 代入 得: (1)如果漏掉的X2与X1相关，则上式中的第二项在小样本下求期望与大样本下求概率极限都不会为零，从而使得OLS估计量在小样本下有偏，在大样本下非一致。 (2)如果X2与X1不相关，