4 多元线性回归模型统计检验.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * Wald Test: Equation: Untitled Test Statistic Value?? df???? Probability F-statistic 0.230354 (1, 10)?? 0.6416 Chi-square 0.230354 1?? 0.6313 Null Hypothesis Summary: Normalized Restriction (= 0) Value?? Std. Err. C(2) + C(3) + C(4) 0.050456 0.105127 对食品消费需求模型参数约束检验结果(1981~1994): 八、参数的稳定性检验 (Test the parameter stability) 1.问题的提出 在建立计量经济学模型时，往往是假定结构不变，即模型的参数是一个恒定常数。但实际经济结构的变化往往导致参数发生变化。参数是否发生变化需要对其进行邹氏检验，检验的思路与受约束检验类似。 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+2,…,n1+n2)中，相应的模型分别是： 合并两段时间序列，写出如下无约束回归模型: 若β=α, 表示没有发生结构变化, 则原假设如下： H0：β=α 2.构造邹氏参数稳定性检验的F统计量 （*） 对(*)式施加β=α约束条件后的受约束回归模型为： 则可用如下F 统计量进行检验： 又因为RSSU= RSS1+RSS2，则F统计量可写为： 邹氏参数稳定性检验要求n1,n2k, 若出现n2k, 则采用邹氏预测检验(Chow test for predictive failure)。 邹氏预测检验的基本思想：先用n1个样本估计原模型，再用估计出的参数进行后一时段n2个样本的预测。若预测误差较大，则说明在不同时段模型参数发生变化，否则说明参数是稳定的。 即用n1时段估计得到的参数 , 考察第二时段预测误差 的大小。 3.构造邹氏预测检验的F统计量 n1与n2两时段的回归模型分别为： 若γ=0，则β=α，表明参数在估计期与预测期相同。据此先将（*）用矩阵表示如下： 若γ=0，则 （*） 无约束回归 受约束回归 因此，可用F 统计量进行约束的有效性检验： 例: 对中国城镇居民食品消费需求函数模型，进行邹氏检验，判断1994年前后是否发生了结构变化。 n1：1981~1994年，进行回归： n2：1995~2001年，进行回归： 整个样本：1981~2001年，进行回归： (*) 稳定性检验的F 统计量值： 查F0.05(4,13)=3.18，FF0.05(4,13)，拒绝参数稳定的原假设，表明中国城镇居民对食品的人均消费需求行为在1994年前后发生了显著变化。 预测的F 统计量值： 查F0.05(7,10)=3.14，FF0.05(7,10)，拒绝原假设。 Chow Breakpoint Test: 1995? Null Hypothesis: No breaks at specified breakpoints Varying regressors: All equation variables Equation Sample: 1981 2001 F-statistic 10.33821 Prob. F(4,13) 0.0005 Log likelihood ratio 30.04150 Prob. Chi-Square(4) 0.0000 Wald Statistic? 41.35286 Prob. Chi-Square(4) 0.0000 Eviews稳定性检验结果： Eviews预测检验结果： Chow Forecast Test: Forecast from 1995 to 2001 F-statistic 4.651280 ????Prob. F(7,10) 0.0147 Log likelihood ratio 30.41441 ????Prob. Chi-Square(7) 0.0001 根据古扎拉蒂教材P316，“当我们在用小样本时，我们必须明确地检验正态性假定。用JB统计量做正态性检验。我们强烈敦促读者把这些或别的正态性检验应用到回归残差中。要记住，在有限样本中，没有正态性假定，通常的t和F统计量未必遵循t分布和F分