c9 模型设定和数问题的深入专题.docx

第9章模型设定和数据问题的深入专题摘要: 异方差被看成是模型误设的一种，但不是最重要的一种。更重要的是解释变量和误差u相关(MLR.4不成立)，也就是所谓的内生性问题(endogenous explanatory variable)。本章讨论造成内生性问题的三种情况，以及补救措施。9.1 函数形式误设(Functional Form Misspecification)考虑小时工资的总体方程:,如果遗漏掉会有什么影响？在该例子中变量都取水平值，而如果实际情况是因变量取对数值呢？上述问题就属于模型的函数形式误设问题(functional form misspecification)，该问题的直接后果是往往造成内生性问题。如此需要对模型进行误设检验！由于多项式函数是任意函数的一个很好逼近，如此可以建立含自变量平方项和交叉项的新模型，然后进行F检验。该模型误设检验被称为Ramsey回归误设检验(Ramsey’s (1969) regression specification error test ,RESET)。事实上，如果原模型:, (9.1)满足MLR.1-MLR.4, 那么在原模型添加自变量的非线性关系应该是不显著的。因此，将原模型扩大为如下的模型： (9.2)把(9.2)设为无约束模型，检验非线性关系是否显著，即原假设为:, 在原假设下，得到受限模型(9.1).所建立的联合检验的F统计量渐近服从分布，或者建立LM统计量，其服从自由度为2的开方分布。几点说明:模型(9)中自然可以加入自变量的二次项、交叉项和三次项，但会丧失很多自由度；拒绝了原假设，RESET检验并没有提供一个非线性的函数关系，这也是任何非线性检验都无法做到的；RESET可以用于异方差检验，但是在模型设定正确等情况时，它不能检验出异方差。对非嵌套模型的检验如果实际情况是需要对变量进行处理后，比如取对数后，然后线性模型设定才是正确的，此时模型属于非嵌套模型检验。例如，你是倾向于, (9.3)还是. (9.4)有两种方法，一种是Mizon-Richard检验 (Mizon and Richard，1986)：先建立一个综合模型：，然后检验原假设，或者。另一种是Davidson-MacKinnon检验(Davidson-MacKinnon test,1981),即如果(9.4)成立，那么将(9.4)式的拟合值代入(9.3)，其回归系数是不显著的：。上述过程也可以反过来操作。几点说明:两个非嵌套模型都有可能被拒绝或接受；拒绝其中的一个模型，并不意味着另一个模型就是正确的；对于因变量函数形式不同的检验，比较困难，见Wooldridge(1994a).9.2对无法观测的解释变量使用代理变量假定log (, 但是由于我们没有很好地界定什么是abil，从而其无法收集数据，最终这个关键变量在计量建模时不得不被遗弃，这样做的后果，显然是我们得到的OLS估计是有偏的估计。处理的办法有两种，一种是建模时，就引入一个能计量的abil指标比如IQ，讨论IQ的工资效应。另一种被称为代理变量(proxy variable)法，即引入一个能替代abil的可计量的变量，比如IQ。假如模型：，（9.5）满足高斯-马尔科夫假定，但是不可观测。我们找到了其的一个可计量的代理变量，满足：,（9.6）显然若是一个合理的代理变量，那么其和应该正相关(而且相关性越强越好)。直接用y对做回归，所得估计被称为遗漏变量问题的植入解(plug-in solution to the omitted variables problem). 但要得到的无偏和一致估计，还需要进一步的假设:误差u和都不相关, 或者;误差v和都不相关。即.如此，将(9.6)代入（9.5）式得：容易看出该模型满足高斯-马尔科夫假定。几点说明:如果不可观测的和相关，如何调整；有时如果有历史数据，可以将y的滞后变量作为代理变量；预测是建模的另一个目的，此时我们不关心系数偏误的问题，而只关心能否预报和预报的准确性。9.3随机斜率模型如果截距系数和斜率也会因个体变化而不同，那么我们得到了一个随机系数模型或者随机斜率模型(a random coefficient model or random slope model)：,（9.7）显然（9.7）是无法估计的。我们可能更希望知道斜率和截距的平均值，定义为,其中的被称为平均边际效应(average marginal effect , AME)或者平均偏效应(averagepartial effect , APE). 进