模型设定偏误问题讲解.pptVIP

复 习 随机解释变量问题是否违背了经典假设，后果，检验 虚拟变量问题 模型设定偏误的种类、后果、检验 * * * * * * * * * Import_gdp.wfl * * * * Amer_cd.wfl * * * §2.9 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. 遗漏相关变量 (omitting relevant variables) 例如， “正确”的模型为： 误设模型为： 即设定模型时漏掉了相关的解释变量。 这类错误称为遗漏相关变量。 动态设定偏误（dynamic mis-specification）:遗漏相关变量表现为对Y或X滞后项的遗漏 。 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 +? 即设定模型时，多选了无关解释变量。 3. 错误的函数形式(wrong functional form) 例如，如果“真实”的回归函数为 但却将模型设定为 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）。 设正确的模型为 Y=?0+?1X1+?2X2+? 且满足经典假设 却对 Y=?0 +?1X1+v 进行回归，得 二、模型设定偏误的后果 将正确模型 Y=?0+?1X1+?2X2+? 写成离差形式： 代入 得 (1) 如果漏掉的X2与X1相关，则OLS估计量在小样本下有偏，在大样本下非一致。（？） 遗漏变量时， 的偏误情况 Corr(X1, X2)0 Corr(X1, X2)0 β2 0 偏误为正 偏误为负 β2 0 偏误为负 偏误为正 (2) 如果X2与X1不相关，则?1的估计量满足无偏性与一致性。 由 Y=?0+ ?1X1+v 得 由 Y=?0+?1X1+?2X2+? 得 (3) 随机误差项v的方差估计量 有偏。 (4) 的方差是真实估计量 的方差的有偏估计。 如果X2与X1不相关，也有 如果X2与X1相关，显然有 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）。 设 Y=?0+ ?1X1+v (*) 为正确模型，但却错误估计了 Y=?0+?1X1+?2X2+? (**) 由于所有的经典假设都满足，因此对包含无关变量模型 Y=?0+?1X1+?2X2+? (**) 式进行OLS估计，可得到无偏且一致的估计量。 但是，OLS估计量却不具有最小方差性。 Y=?0+ ?1X1+v 中X1的方差: Y=?0+?1X1+?2X2+? 中X1的方差: 当X1与X2完全线性无关时: 否则： 注意：由于β2=0，因此: 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）。 这种偏误是全方位的。 例如，如果“真实”的回归函数为 却估计线性式 三、模型设定偏误的检验 1. 检验是否含有无关变量 可用t 检验与F 检验完成。 检验的基本思想：如果模型中误选了无关变量，则其系数的真值应为零。因此，只须对无关变量系数的显著性进行检验。 t 检验：检验某1个变量是否应包括在模型中； F检验：检验若干个变量是否应同时包括在模型中。 F检验：检验q个变量是否应同时包括在模型中。 原假设： —无约束回归方程的可决系数； —受约束回归方程的可决系数； (*)式可以看作是(**)式施加了一组约束条件H0的受约束回归。 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 对所设定的模型进行OLS回归，得到估计的残差序列