4模型设定与诊断.pptVIP

本文观看结束！！！ 降低原材料成本 本文反映结束！ 谢谢大家观看！ 同步糖化发酵工艺 ，能耗下降30% 降低原材料成本 本文反映结束！ 谢谢大家观看！ 同步糖化发酵工艺 ，能耗下降30% 请您提出宝贵意见！ O(∩_∩)O谢谢各位！！！ 实例 5 实例 5 模型函数形式设定偏误时残差序列呈现正负交替变化 * （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； 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。 3、检验是否有相关变量的遗漏或函数形式设定偏误 * 例如，先估计 Y=?0+ ?1X1+v 得 然后再利用F检验来判断是否增加这些“替代”变量。 若仅增加一个“替代”变量，也可通过t检验来判断。 * 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： RESET检验也可用来检验函数形式设定偏误的问题。 因此，如果设定了线性模型，就意味着遗漏了相关变量X12、 X13 ，等等。 因此，在一元回归中，可通过检验各高次幂参数的显著性来判断是否将非线性模型误设成了线性模型。 （*) * 对多元回归，非线性函数可能是关于若干个或全部解释变量的非线性，这时可按遗漏变量的程序进行检验。 例如，估计 Y=?0+?1X1+?2X2+? 但却怀疑真实的函数形式是非线性的。 这时，只需以估计出的?的若干次幂为“替代”变量，进行类似于如下模型的估计 再判断各“替代”变量的参数是否显著地不为零即可。 * 例:建立了中国商品进口M与GDP的一元线性关系: 并发现具有强烈的一阶自相关性。 序列相关性的主要原因之一可能就是建模时遗漏了重要的相关变量造成的。 下面进行RESET检验。 R2=0.9484 * （-0.085） （8.274） （-6.457） （6.692） R2=0.9842 在?=5%下，查得临界值F0.05(2, 20)=3.49 判断：拒绝原模型与引入新变量的模型可决系数无显著差异的假设，表明原模型确实存在遗漏相关变量的设定偏误。 * （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。 因此，只须检验IV估计量与OLS估计量是否有显著差异来检验解释变量与随机扰动项是否同期无关。 对一元线性回归模型 Y=?0+?1X+? 所检验的假设是 H0：X与?无同期相关。 * 设一元样本回归模型为 以Z为工具变量，则IV估计量为： (*) (*)式表明，IV估计量与OLS估计量无差异当且仅当?ziei=0，即工具变量与OLS估计的残差项无关。 * 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。 (*) * * 作为建模起点的总体模型必须能够包容所有经过约化得到的“简洁”的模型。 它应该包含所有对被解释变量产生影响的变量，尽管其中的某些变量会因为显著性不高或者不满足正交性条件等原因在后来的约化过程中被排除。 模型设定的方法 之”从一般到简单” * 为什么？——逻辑学回答 回归分析是一种经验实证的方法，它是建立在证伪和证实不对称性的逻辑学基础之上的。 一旦总体模型被设定，利用样本数据进行的经验检验只能发现已经包含其中的哪些变量是不显著的，而不能发现没有包含其中的显著变量；只能发现已经被采用的函数关系是不恰当的，而不能发