（企管）第三章经典单方程计量经济学模型多元回归.pptVIP

*四、非线性约束 也可对模型参数施加非线性约束,如对模型 施加非线性约束?1?2=1,得到受约束回归模型: 该模型必需采用非线性最小二乘法（nonlinear least squares）进行估计。 非线性约束检验是建立在最大似然原理基础上的,有最大似然比检验、沃尔德检验与拉格朗日乘数检验. 1、最大似然比检验 (likelihood ratio test, LR) 估计:无约束回归模型与受约束回归模型， 方法:最大似然法， 检验:两个似然函数的值的差异是否“足够”大。 记L(?,?2)为一似然函数: 无约束回归 : Max: 受约束回归 : Max: 或求极值： g(?):以各约束条件为元素的列向量, ?’：以相应拉格朗日乘数为元素的行向量 约束：g(?)=0 受约束的函数值不会超过无约束的函数值，但如果约束条件为真，则两个函数值就非常“接近”。 由此，定义似然比（likelihood ratio）: 如果比值很小，说明两似然函数值差距较大，则应拒绝约束条件为真的假设； 如果比值接近于１，说明两似然函数值很接近，应接受约束条件为真的假设。 具体检验时，由于大样本下： h是约束条件的个数。因此： 通过LR统计量的?2分布特性来进行判断。 在中国城镇居民人均食品消费需求例中，对零阶齐次性的检验： LR= -2(38.57-38.73)=0.32 给出?=5%、查得临界值?20.05(1)＝3.84， 判断： LR ?20.05(1),不拒绝原约束的假设， 表明:中国城镇居民对食品的人均消费需求函数满足零阶齐次性条件。 ２、沃尔德检验（Wald test, W） 沃尔德检验中，只须估计无约束模型。如对 在所有古典假设都成立的条件下，容易证明 因此，在?1+?2=1的约束条件下 记 可建立沃尔德统计量: 如果有h个约束条件，可得到h个统计量z1,z2,…,zh 约束条件为真时，可建立大样本下的服从自由度为h的渐近?2 分布统计量 其中，Z为以zi为元素的列向量，C是Z的方差-协方差矩阵。 因此，W从总体上测量了无约束回归不满足约束条件的程度。 对非线性约束，沃尔德统计量W的算法描述要复杂得多。 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。 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 同样地，如果为线性约束，LM服从一精确的?2分布： (*) §3.5 回归模型的其他函数形式 一、模型的类型与变换 二、非线性回归实例 在实际经济活动中，经济变量的关系是复杂的，直接表现为线性关系的情况并不多见。 如著名的恩格尔曲线(Engle curves)表现为幂函数曲线形式、宏观经济学中的菲利普斯曲线（Pillips cuves）表现为双曲线形式等。 但是，大部分非线性关系又可以通过一些简单的数学处理，使之化为数学上的线性关系，从而可以运用线性回归的方法进行计量经济学方面的处理。 一、模型的类型与变换 1、倒数模型、多项式模型与变量的直接置换法 例如，描述税收与税率关系的拉弗曲线：抛物线 s = a + b r + c r2 c0 s：税收； r：税率 设X1 = r，X2 = r2， 则原方程变换为 s = a + b X1 + c X2 c0 2、幂函数模型、指数函数模型与对数变换法 例如，Cobb-Dauglas生产函数：幂函数