模型设定偏.pptVIP

哈维（A.C.Harvey）的模型判断标准： 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 （omitting relevant variables） 例如，如果“正确”的模型为 2、无关变量的误选 (including irrevelant variables) 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 (wrong functional form) 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。这种偏差的性质与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（omitting relevant variable bias）。 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（including irrelevant variable bias）。 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（wrong functional form bias）。 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 JB检验 Jarque-Bera检验 用来检验序列是否服从正态分布。统计量计算公式如下： 其中 为偏度， 为峰度 (在EViews中k与3比较大小)，k是序列估计式中参数的个数。 在原假设H0：该序列服从正态分布下，JB统计量服从 分布。 一般情况下EViews会给出JB统计量的值以及直方图中显示的概率值是JB统计量超出原假设下的观测值的概率P值。如果该值很小，则拒绝原假设，认为该序列不服从正态分布。 （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（regression error specification test）。 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； 问题是不知道遗漏了哪个变量，需寻找一个替代变量Z，来进行上述检验。 RESET检验中，采用所设定模型中被解释变量Y的估计值?的若干次幂来充当该“替代”变量。 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： 案例：中国商品进口模型 1. 通过OLS法建立如下中国商品进口方程： 2. 进行序列相关性检验。 DW检验 则M*关于GDP*的OLS估计结果为： （2）采用科克伦-奥科特迭代法估计? 在Eviews软包下，2阶广义差分的结果为： 模型设定为: 其中： — 各项税收收入（亿元） — 国内生产总值（亿元） — 财政支出（亿元） — 商品零售价格指数（%） 参数估计 模型估计的结果可表示为 显著性检验 经济意义检验 （3）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。 假定模型中随机项满足基本假定，可用OLS法估计其参数。具体操作：用EViews软件，估计结果为： (940.6128) (0.0056) (0.0332) (8.73