左相计量经济学分析.ppt

若4?dU ?DW? 4?dL 失效 若DW4?dL 拒绝H0，认为存在  一阶负的系列相关。 见书中P169的图示 dL、 dU是DW检验表样本容量为n，解释变量数为k的在显著性水平5％，2.5％，单测检验（或双测检验）的下限与上限的临界值。 注意：DW是计算出来的，而dL、 dU是查表得到的。 例子：P171-174 注意：在模型引入了滞后被解释变量时，存在DW偏向2的倾向，此时DW检验失效。 例如： 的情形中 DW失效，可改用杜宾h统计量。（不祥述） 3. Cochrane—Orcutt (CO)法 当用DW检验出现一阶序列相关时，不能使用OLS，否则不能得BLUE估计，若选择增加重要的解释变量改变模型的函数形式或受到重大意外冲击的影响时，引入一虚拟变量，设法消除序列相关，若用上述方法，仍未能消除序列相关，则可选用下述估计方法： （1）CO法 （2）基于PW变换的GLS（一般最小二乘法） （3）极大似然法（ML） （1）CO法 设一元线性回归模型 误差项存在一阶序列相关，即 ，一般假设误差项?t满足OLS 估计中随机误差项满足的条件。 显然： (1) ?(2)式得 据假设?t没有序列相关 令 则（3）式变为 以上变换即为CO法，CO交换后的目的是能对（5）式用OLS进行估计。 Step1 首先对（1）式作OLS估计得 以得到?的估计 Step2 将 代入（4）式，得到 及 的数据 CO法的步骤： Step3 用OLS对（5）式进行估计，得到 及 的估计 Step4 利用下述公式得到α、β的估计  值 此时模型为： 注意：CO法的缺点是丢失一对样本数据 4. 基于PW变换的一般化最小二乘法（GLS） 基于PW变换的GLS与CO法的差异 (1)编制了第1期的变换数据(在CO法中丢失了) (2)编制常数项数据(此时在PW变换下的GLS中看作一个解释变量来使用) (3)采用没有常数项的OLS 方法如下： Step1: 对 作OLS估计，求 得自我相关系数的估计： Step2: 编制 t =2, …n. 的数据。 Step3: 对下式进行无常数项OLS估计，并求 和 参看P181例。 此时得到的模型为 关于此问题中迭代计算的收敛问题参见教材。 三. 变量的显著性检验（t检验） 在H0成立时，统计量t： 当 时，拒绝H0,即Xj对Y的 影响显著，应该包含在模型中。 四、参数的置信区间 3.4 多元线性回归模型的预测 预测模型： 一、E(Y0)的置信区间 二、Y0的置信区间 3.5 可化为线性的多元非线性回归模型 一、模型的类型与变换 1、倒数模型： 2、多项式模型： 3、幂函数模型：柯布-道格拉斯生产函数 4、指数函数模型： 3.6 受约束回归模型 线性回归模型： 约束条件： 若约束条件成立，即 应很小。 卡方检验统计量： F检验统计量： 若F值较大，拒绝原假设，即认为约束条件不成立。 第四章 放宽基本假定的模型 4.1 异方差性 线性回归模型： 异方差可归为三种类型： (1) 单调递增型； (2) 单调递减型； (3) 复杂型； 有异方差性的OLS估计，所得到的估计值就不是BLUE，一般，利用横截面数据比利用时序列数据，更容易出现异方差问题。 异方差性的检验： (1) 图示法； (2) White检验 异方差的解决方法： (1)对解释变量与被解释变量进行对数变换； (2)用加权最小二乘法(WLS); (3)异方差稳健标准误法。 4.2 序列相关性 4.3 多重共线性 4. 偏相关系数 在Y, x1, x2三个变量，与x1既定时，Y与x2之间相关关系的指标，称为偏相关系数，记为RY2?1. 同理可将 ?1? RY2?1 ?1， ?1? RY1?2 ?1 [补充3] 多重共线性 在多元回归分析中，如果解释变量之间关系很密切，就会出现所谓的多重共线性问题，多重共线性表现为： (1) 尽管R2很高但t值较低； (2) 存在估计出的回归系数的符号(正、负)与理论不一致等问题，从而降低了多元回归模型估计结果的可靠性。 解决方法如将相关性较高的解释变量消除n个等更详细的结果看P115-116。 第六章 虚拟变量 1. 临时虚拟 为更好地对模型进行估算，经常需要在回归模型中排除一些突发事件产生的异常值，及其对模型的影响，例如：地震、战争、政治事件等，而引入的虚拟变量。P147-149 2. 季度虚拟 季度虚拟是通过回归模型的常数项变化（斜率回归系数