模型检验的常用统计量.ppt

在建立模型过程中，要对模型参数以及模型的各种假定模型的各种假定调价做检验和判断。这些检验与判断要通过运用统计量来完成。 本章介绍的常用统计量，都是为模型的诊断和检验服务的。 本章主要内容 总结检验模型总显著性的F统计量，检验单个回归参数显著性的t统计量。 检验回归参数线性约束条件时候成立的F统计量 似然比（LR）检验 检验回归参数线性约束与非线性约束时候成立的Wald统计量和是拉格朗日（LM）统计量 检验正态分布的JB统计量 本章主要内容 检验模型最优滞后期的赤池准则、汉南-奎因准则 检验变量间因果关系的格兰杰（Granger）因果性检验 检验模型是否存在结构变化的（Chow）突变点检验和邹稳定性检验 递归分析 一、回归函数的F检验 二、检验回归系数显著性的的t检验 三、检验约束条件是否成立的F检验 约束条件的F检验可以用来检验回归参数的一个或多个线性约束条件，如H0：?1? 0，?2? 0，?1+?0+ ?1=1，?1/?2 ?0.8等。 在零假设“约束条件成立”条件下，统计量 例：中国国债发行额模型 下面介绍三种常用的检验方法，即似然比（LR）检验，沃尔德（Wald）检验和拉格朗日（lagrange）乘数（LM）检验。这三种检验所用统计量都是利用极大似然估计法计算的。LR检验由内曼—皮尔逊（Neyman-Pearson 1928）提出，只适用于对线性约束的检验。W检验和LM检验既适用于对线性约束条件的检验，也适用于对非线性约束条件的检验。 四、似然比（LR）检验 LR检验的基本思路是如果约束条件成立则相应约束模型与非约束模型的极大似然函数值应该是近似相等的。用 五、Wald检验 Wald检验的优点是只需估计无约束模型。当约束模型的估计很困难时，此方法尤其适用。Wald检验由沃尔德（Wald 1943）提出，适用于线性与非线性约束条件的检验。 Wald检验的原理是测量无约束估计量与约束估计量之间的距离。 七、LM乘数检验 与Wald检验不同的是拉格朗日（Lagrange）乘数（LM）检验只需估计约束模型。所以当施加约束条件后模型形式变得简单时，更适用于这种检验。LM检验是由艾奇逊—西尔维（Aitchison-Silvey 1960）提出的。LM检验另一种表达式是由拉奥（Rao 1948）提出的，称为得分检验。 LM检验的实际步骤 对LR，Wald和LM检验方法的选择应以做实际计算时的难易程度而定。一般来说W和LM检验应优于LR检验，因为W和LM检验只需要估计一个模型即可，而LR检验需估计约束与非约束两个模型。 对W 和LM检验方法的选择应以约束模型与非约束模型哪个更容易估计而定。 应该注意，即使三种检验方法都可使用，它们的计算结果通常也是不相同的。因为三个统计量只是渐近相同，对于线性回归模型，在小样本条件下有如下关系成立。 LM ? LR ? W (29) 上式说明只有当 LM检验的结果为拒绝零假设（约束条件不成立）或者W检验的结果为接受零假设（约束条件成立）时，三种检验的结论才是一致的。 所以实际中，三种检验方法有可能得出相互不一致的结论。另外只有当用参数的样本估计值计算的约束条件完全成立时，即把参数估计值代入约束条件能准确成立时，（29）式中的三个统计量才有完全相等的关系。 七、赤池信息准则、施瓦茨准则和汉南-奎因准则 赤池信息准则（AIC）由日本统计学家赤池宏次于1973年提出。定义如下 施瓦茨信息准则 施瓦茨准则（SC）又称贝叶斯信息准则（BIC），定义如下 汉南-奎因准则（HQ） 八、JB正态性检验 在给出JB统计量的定义之前，先给出偏度（skewness）和峭度（kurtosis，峰度）的定义。对于时间序列（y1, y2, …, yT），偏度S定义为， JB（Jarque-Bera）统计量定义 例：EViews操作如下。 九、格兰杰非因果性检验 格兰杰非因果性检验是VAR模型的一个副产品。格兰杰非因果性检验式是2变量VAR模型中的一个方程式。格兰杰（Granger）非因果性定义如下： 如果由yt和xt滞后值所决定的yt的条件分布与仅由yt滞后值所决定的条件分布相同，即 ?( yt ? yt-1, …, xt-1, …) = ?( yt ? yt-1, …), (30) 则称xt-1对yt存在格兰杰非因果性。 格兰杰非因果性的另一种表述是其他条件不变，若加上xt的滞后变量后对yt的预测精度不存在显著性改善，则称xt-1对yt存在格兰杰非因果性关系。 根据以上定义，xt 对yt 是否存在因果关系的检验可通过检验VAR 模型以yt