第5章假设检验FF.docVIP

第5章 假设检验 5.1 什么是假设检验？ 5.2 t检验 5.3 t检验的例子 5.4 t检验的局限性 5.5 总结和练习 5.6 附录：F检验 在本章中，让我们重新回到计量经济学的主旨——通过分析样本数据量化经济关系，进而考察从这一量化的关系中，我们可以获得什么样的结论。在估计总体真实参数的基础上，假设检验探讨一系列更为复杂的问题，它决定了从样本中我们可以得到的现实世界的信息。我们所得到的结果是否只是出于巧合？根据样本所得到的结果是否拒绝我们的理论？如果我们的理论正确，这一特定的样本被观测到的概率是多少？本章首先对假设检验的内容进行简要介绍。然后考察t检验，它是一种典型地用于单个回归系数的假设检验的统计工具。 对具有深厚统计学背景的读者而言，假设检验和t检验应该是比较熟悉的内容，我们建议这些读者略读本章而关注那些看起来较具新意的应用。然而，本章基于回归模型来阐述假设检验的步骤，所以即使对统计学知识比较娴熟的读者来说, 本章的部分内容也具有启发性。 我们的方法从自然属性上说是一种经典方法，因为我们假定样本数据是有关总体的最好的也是唯一的信息。而另一种被称为贝叶斯统计学的方法则使用完全不同的概率定义并且不使用抽样分布的概念。 5.1 什么是假设检验？ 假设检验被用于不同的框架内。例如,新药上市前,食品与医药管理局（FDA）对新药所进行的检验。如果试用新产品的样本人群所表现出的某种明显的副作用频繁出现，而不能被看作是出于偶然，那么FDA很可能会禁止该产品进入市场。类似地，半个世纪以来，经济学家一直从统计的角度检验消费与收入之间的各种关系；其中，约翰·梅纳德·凯恩斯米尔顿·弗里德曼”。例如，如果你预期系数是正值，那么0或负的系数就是非预期的取值范围，于是虚拟假设为： 虚拟假设 （这是你的非预期的取值范围） 备选假设通常是对研究者预期取值的表述。备选假设的表示是在预期取值范围的表述前加上符号“”。继续我们的例子，如果你预期系数是正值，那么备选假设是： 备选假设 （这是你所预期的取值范围） 作为自我测试，请停下来思考一下，如果你预期系数为负值，那么虚拟假设和备选假设该如何设定。正确的设定应该是： 上述假设是针对单侧(或单尾,译者注)检验而言的，因为备选假设的取值位于虚拟假设的一侧。另一种方法是使用双侧检验（或双尾检验），其中备选假设的取值位于虚拟假设的两侧。对于以0为中心的双侧检验，虚拟假设和备选假设为： 如果研究者预期不为0，但又不能确定地预期其为正值或负值时，这样的双侧检验是有用的。 有时，你会发现研究者在单侧检验中使用作为虚拟假设，例如，对于预期符号为负，有： 。 其虚拟假设好像来自双侧检验，而备选假设则显然来自单侧检验。为什么可以有这样的设定呢？事实上，无论你设定虚拟假设是还是, 对于这样的单侧检验都是没有影响的。类似地，无论你设定虚拟假设是还是*1, 对这样的单侧检验也是没有影响的。两种方法的检验结果是相同的，因为要检验的虚拟假设是一个取值范围，你必须关注于该取值范围中最接近于备选假设所表示的取值范围的那个值（典型值就是0），如果你拒绝了那个值，那么自然也就可以拒绝距离备选假设更远的值*2，所以，对虚拟假设取值范围的截断没有实际的影响。 我们应该注意的是，对于极少数的情形，我们不得不违背将预期的取值作为备选假设的原则。经典的假设检验要求虚拟假设包含某种形式的等号（无论是＝、≤或≥）。这一要求意味着如果研究者的预期包含等号，那么他们不得不把预期的取值作为虚拟假设。当研究者所设定的是一个具体值而不是一个取值区间时，这种情况常常出现。幸运的是，这种例外在基本的应用分析中并不常见。关于这一问题的更多内容见5.3.2节的第二个例子和习题6的a部分。 除了上述提到的少数情形以外，经济学家总是把他们预期的值作为备选假设，这使得我们在拒绝虚拟假设时可以用更强的口吻。并且，只有把非预期的结果作为原假设，我们才能控制拒绝虚拟假设事实上为真但犯偶然被拒绝的概率。但反之则不真。也就是说，也就是说，在原假设为假时，我们无法确切的知道将其错误地接受为真的概率。所以，我们永远不能说我们接受原假设，而只能说我们不能拒绝原假设。正如Jan Kmenta所说： “就像法庭宣布裁决时用无罪而不用无辜的表述一样，统计检验的结论是不拒绝而不是接受。”2 5.1.2 第一类错误和第二类错误 在计量经济学中,典型的检验技术是对每个回归系数（常数项除外）假设一个预期的符号（或取值），然后决定是否拒绝虚拟假设。由于回归系