第四章计量经济学.pptVIP

Economics 20 - Prof. Anderson 经典线性模型 (CLM)的假定 到目前为止, 我们知道在高斯-马尔科夫假定下普通最小二乘估计量是最优线性无偏估计量 为了进行经典假设检验，我们需要增加一个附加的假定 (除了高斯-马尔科夫假定以外的假定) 假定 u 独立于 x1, x2,…, xk并且u是均值为0和方差为s2的正态分布，即 u ~ Normal(0,s2) 经典线性模型的假定 (续) 在经典线性模型下, 普通最小二乘估计量不仅是最优线性无偏估计量, 而且是最小方差无偏估计量 我们能将经典线性模型的总体假定总结如下： y|x ~ Normal(b0 + b1x1 +…+ bkxk, s2) 虽然我们在这里假定正态性, 但是要清楚有时候正态性并不具备 在大样本的情况下，可以摒弃正态性假定 正态抽样分布 t 检验 t 检验(续) 对标准估计量的抽样分布的认识允许我们执行假设检验 以一个虚拟假设开始 例如, H0: bj=0 如果接受虚拟假设, 那么接受 xj 对y无影响的假设, 控制其他的 x t 检验 (续) 对单侧对立假设的t检验 除了虚拟假设 H0外, 我们还需要一个对立假设 H1和一个显著性水平 H1可能是单侧的或是双侧的对立假设 H1: bj 0 与 H1: bj 0 都是单侧的对立假设 H1: bj ? 0 是一个双侧对立假设 如果当H0实际上正确时我们想有仅仅5%的概率来拒绝它,那么我们称显著性水平为5% 对单侧对立假设的t检验(续) 在已经选定一个显著性水平a后, 我们在一个自由度为n – k – 1的t 分布中查找 (1 – a)th 的百分点并且称这个为 c即临界值 如果t统计量大于临界值，那么我们就能拒绝虚拟假设 如果t统计量小于临界值，那么我们就不能拒绝虚拟假设 对单侧对立假设的检验与对双侧对立假设的检验的比较 因为 t分布是对称的, 所以检验 H1: bj 0 是简单的。临界值只是之前得到的临界值的负数 如果 t统计量 –c ，那么我们就能拒绝虚拟假设并且如果t 统计量 –c，那么我们就不能拒绝虚拟假设 对于一个双侧检验来说, 如果 t统计量的绝对值 c，我们基于a/2设置临界值并且接受H1: bj ? 0 对于 H0: bj = 0的总结 该对立假设被认为是双侧的，除非是不同地表述 如果我们拒绝虚拟假设, 那么我们通常称 “在a % 水平上xj 是统计上显著的” 如果我们不能拒绝虚拟假设, 那么我们通常称“在a %水平下xj 是统计上不显著的” 检验bj的其他假设 t统计量的一个更一般的形式会使我们也许想检验一些情况如H0: bj = aj 在这种情况下, 适当的t统计量是 置信区间 采用经典统计检验的另一种方式是用与一个双侧检验相同的临界值来构造一个置信区间 一个(1 - a) % 置信区间被定义为 计算t 检验的p值 另一种经典方法就是问“虚拟假设会被拒绝的最小显著性水平是什么?” 因此, 先计算出 t 统计量，然后在适当的 t分布中查找百分点– 这就是 p值 如果虚拟假设是真的，那么p值为我们将观测到过去观测的t 统计量的概率 Stata和 p值, t检验，等等. 在一个双侧检验的假定下，大多数计算软件包将为你计算 p值 如果你实际想对一个单侧对立假设进行检验, 那么你只是将双侧对立假设检验的 p值除以 2就可以了 Stata为你提供t统计量, p值以及 95% 的置信区间来检验 H0: bj = 0 ，它们分别在标有 “t”, “P |t|” 和 “[95% Conf. Interval]”的列中 检验一个线性组合 假设你想检验b1是否与另一个参数相等, 即 H0 : b1 = b2而不是想检验b1是否等于一个常数, 采用与前面相同的基本程序来构成一个t统计量 检验一个线性组合 (续) 检验一个线性组合(续) 因此为了使用公式需要s12，而标准输出没有它 许多软件包将有一个获得它的选项或将仅仅为你执行检验 在 Stata中,为了得到一个检验的p值，在reg y x1 x2 … xk之后，你将打出test x1 = x2 更一般地, 为了获得你想要的检验你总是能重述那个问题 例题: 假设你对竞选支出对竞选结果的影响感性趣 模型是 voteA = b0 + b1log(expendA) + b2log(expendB) + b3prtystrA + u H0: b1 = - b2或H0: q1 = b1 + b2 = 0 b1 = q1 – b2于是将它代入模型中并且重新整理 得：voteA = b0 + q1log(expendA) + b2[log(expendB）- log(expendA)] + b3prtystrA + u