基本极限分布理和线性检验统计量的构造.doc

基本极限分布理论和线性检验统计量的构造 一、基本极限分布理论 1．对于序列，如果对于任意，存在使得对于时，有，则称； 2．和：是的，如果是有界的，特别地，当时，若有界，则称是；是的，如果； 3．依概率收敛：对于所有，有，记作或； 性质1：为连续函数，若，则； 性质2：，，则； 4．依分布收敛：记为的分布函数，若，则； 性质1：，若；则（渐近等价引理） 性质2：，，则；； 性质3：，（连续影射定理） 性质4：向量，；； 二、推导统计量渐近分布时的有用结论及应用 主要结论 1． 1．若，则，（非中心参数） 2．N维随机变量，则（证明思路为对进行楚勒斯基分解，即） 3．N维随机变量，BV为幂等矩阵，则 应用（检验） 1．t统计量。t统计量的计算形式为，则；；；（） 故为t分布。 2．F统计量。F统计量的计算形式为，q为约束个数，SSR1和SSR0分别为受限模型和非受限的残差平方和。则（*）；；。（*）式上下同除以得到： ，，由相关结论可知统计量服从F分布。 注意：无论是t统计量还是F统计量只有当残差严格服从正态分布的时候才是有效的。 三、计量经济学中的假设检验 1．计量经济建模中需要哪些检验 从经济理论出发、选择解释变量、构建回归方程到模型的参数估计量的求解，再到该模型能否解释所研究的经济现象的本质特征或所研究的经济活动中的各个因素之间的关系，最后到能否进行模型的实际应用，必须通过各种检验加以确定。一般来讲，计量经济建模需要进行三个方面检验：（1）设定检验（Specification Test），即将数据生成设定为某一种具体形式以便进行参数估计；（2）经济意义的检验，即根据经济理论对某个约束条件进行检验；（3）诊断检验（Diagnose Test），即判断参数估计是否具有显著性，以及模型设定是否合理。设定检验一般包括：正态性检验、异方差检验、序列相关性检验、单位根检验、协整检验、面板数据模型形式设定检验、个体效应固定效应检验、针对非线性模型的线性检验等。 2．检验的形式Wald检验、似然比检验和LM检验（得分检验、Rao检验） 2.1 Wald检验 Wald检验与F检验类似，通常适用于残差不是严格服从正态分布的情况，主要优点是应用简单，并且不需要对受限模型进行估计。Wald检验的基本思想是如果约束条件为真，则未受限模型的估计量近似等价于受限模型估计量。由于最值估计量（M-Estimator，即通过求解一系列最大化或者最小化目标函数得出参数估计，Huber，1967年提出，包括普通最小二乘法、非线性最小二乘法、最大似然估计和准极大似然估计等）渐近服从正态分布，即。则在原假设下有，故，，q为约束条件个数。 2.2 得分检验 某些情况下，受限模型比非受限模型具有更简单的形式，因此在构造检验统计量时人们希望只估计受限模型（原假设下的模型）。以线性检验为例，原假设为模型是线性的，备择假设为模型是非线性，显然估计线性模型（原假设成立下的模型）更为简单。这就是提出得分检验的初衷。该检验的基本思想是，如果原假设成立，则目标函数的梯度向量应该渐近服从均值为零的正态分布，即，；则得分检验的统计量。得分检验最初是针对最大似然估计提出的（也就是LM检验），但是其基本思想可以应用于许多估计方法。 2.3 似然比检验 构造Wald检验要求估计非受限模型，构造得分检验要求估计受限模型，而似然比检验需要同时估计受限和非受限模型。统计量的计算表达式为：；为非受限估计量，为受限估计量。为了证明似然比统计量服从分布，需要将在处二阶泰勒级数展开得到（根据最大似然估计的定义，一阶展开项为0），则；由于，则： 2.4 Wald检验、似然比检验、得分检验的渐近等价性 通过（2.1）~（2.3）不难发现，wald检验、得分检验和似然比检验统计量都渐近服从分布，那么它们之间是否存在某种联系呢。下面对这三个检验统计量进行总结：（1）LR统计量的构造是建立在似然函数基础上的，因此它依赖于对残差的分布做出假设；（2）qF统计量又被称为伪似然比统计量，因为其构造同样依赖受限和非受限，其中W(r)为(0,1)内的维纳过程。显然计算该统计量的分布函数是极为困难的。 使用Monte Carlo方法计算统计量的临界值通常分为以下3步：（1）使用原假设成立下的数据生成过程产生样本；（2）构造辅助回归，计算所需要的统计量数值；（3）重复以上两步N次（N足够大）， 并根据要求的检验水平确定统计量数值序列的分位数。下面就以DW检验和单位根检验为例，介绍这一过程。 DW检验 DW检验的原假设为：，即不存在自相关；检验统计量为，使用的数据生成过程为，（检验的名义水平为1%，5%，10%） 单位根检验 单位根检验的原假设为；检验统计量为，即对应的t统计量，使用的数据生成过程为，，即将检验的辅助回归设定为