计量经济学 李子奈 第二版 教案3 多元线性回归模型.ppt

3、拉格朗日乘数检验 拉格朗日乘数检验则只需估计受约束模型. 受约束回归是求最大似然法的极值问题: ?’是拉格朗日乘数行向量，衡量各约束条件对最大似然函数值的影响程度。 如果某一约束为真，则该约束条件对最大似然函数值的影响很小，于是，相应的拉格朗日乘数的值应接近于零。 因此，拉格朗日乘数检验就是检验某些拉格朗日乘数的值是否“足够大”，如果“足够大”，则拒绝约束条件为真的假设。 拉格朗日统计量LM本身是一个关于拉格朗日乘数的复杂的函数，在各约束条件为真的情况下，服从一自由度恰为约束条件个数的渐近?2分布。 同样地，如果为线性约束，LM服从一精确的?2分布： * n为样本容量，R2为如下被称为辅助回归（auxiliary regression）的可决系数: 如果约束是非线性的，辅助回归方程的估计比较复杂，但仍可按（*）式计算LM统计量的值。 最后，一般地有:LM≤LR≤W 这意味着，通常情况下，对模型施加约束条件会降低模型的解释能力。 但是，如果约束条件为真，则受约束回归模型与无约束回归模型具有相同的解释能力，RSSR 与 RSSU的差异变小。 由（*）式 RSSR ≥ RSSU 从而 ESSR ≤ ESSU 可用RSSR - RSSU的大小来检验约束的真实性 根据数理统计学的知识： 于是： 讨论： 如果约束条件无效， RSSR 与 RSSU的差异较大，计算的F值也较大。 于是，可用计算的F统计量的值与所给定的显著性水平下的临界值作比较，对约束条件的真实性进行检验。 注意，kU - kR恰为约束条件的个数。 例3.6.1 中国城镇居民对食品的人均消费需求实例中，对零阶齐次性检验： 无约束回归:RSSU 0.00324， kU 3 受约束回归:RSSR 0.00332， KR 2 样本容量n 14， 约束条件个数kU - kR 3-2 1 取? 5%，查得临界值F0.05 1,10 4.96 结论：不能拒绝中国城镇居民对食品的人均消费需求函数具有零阶齐次特性这一假设。 这里的F检验适合所有关于参数线性约束的检验 如：多元回归中对方程总体线性性的F检验： H0： ?j 0 j 1,2,…,k 这里：受约束回归模型为 这里，运用了ESSR ＝0。 二、对回归模型增加或减少解释变量 考虑如下两个回归模型 * ** * 式可看成是（**）式的受约束回归： H0： 相应的Ｆ统计量为： Ｆ统计量的另一个等价式 如果约束条件为真，即额外的变量Xk+1, …, Xk+q对Ｙ没有解释能力，则Ｆ统计量较小； 否则，约束条件为假，意味着额外的变量对Ｙ有较强的解释能力，则Ｆ统计量较大。 因此，可通过F的计算值与临界值的比较，来判断额外变量是否应包括在模型中。 讨论： 三、参数的稳定性 1、邹氏参数稳定性检验 建立模型时往往希望模型的参数是稳定的，即所谓的结构不变，这将提高模型的预测与分析功能。如何检验？ 假设需要建立的模型为 在两个连续的时间序列（1,2,…，n1）与（n1+1,…，n1+n2）中，相应的模型分别为： 合并两个时间序列为 1,2,…，n1 ，n1+1,…，n1+n2 ，则可写出如下无约束回归模型 如果? ?，表示没有发生结构变化，因此可针对如下假设进行检验： H0: ? ? * 式施加上述约束后变换为受约束回归模型 * （**） 因此，检验的F统计量为： 记RSS1与RSS2为在两时间段上分别回归后所得的残差平方和，容易验证， 于是 参数稳定性的检验步骤： （1）分别以两连续时间序列作为两个样本进行回归，得到相应的残差平方： RSS1与RSS2 （2）将两序列并为一个大样本后进行回归，得到大样本下的残差平方和RSSR （3）计算F统计量的值，与临界值比较： 若F值大于临界值，则拒绝原假设，认为发生了结构变化，参数是非稳定的。 该检验也被称为邹氏参数稳定性检验（Chow test for parameter stability）。 2、邹氏预测检验 上述参数稳定性检验要求n2 k。 如果出现n2 k ，则往往进行如下的邹氏预测检验（Chow test for predictive failure）。 邹氏预测检验的基本思想: 先用前一时间段n1个样本估计原模型，再用估计出的参数进行后一时间段n2个样本的预测。 如果预测误差较大，则说明参数发生了变化，否则说明参数是稳定的。 分别以?、? 表示第一与第二时间段的参数，则: 其中， * 如果? 0，则 ? ?，表明参数在估计期与预测期相同 * 的矩阵式： 可见，用前n1个样本估计可得前k个参数?的估计，而?是用后n2个样本测算的预测误差X2 ? - ? ** 如果参数没有发生变化，则? 0，