^伪回归例子20090425.pptVIP

* 伪回归的例子 　 伪回归的概念(以随机模拟入手） 　　 动态性和相依性是应用经济学中的两个重要的概念。在应用经济计量模型的研究中，这两个概念的相互关系与矛盾都集中在有趋势的变量。首先让我们用一个简单的问题来说明这一点。用EViews模拟的{yt}和{xt}是两个独立的时间序列，样本容量为100，模拟1000次，有如下的结果： 如果对上面的两个变量构造简单的线性回归 Dependent Variable: Y Method: Least Squares Date: 01/18/09 Time: 21:42 Sample: 1 100 Included observations: 100 Variable Coefficient 　Std. Error t-Statistic 　 Prob. C 4.186912 0.337306 12.41280 0.0000 X -0.603351 0.107762 -5.598899 　 0.0000 R-squared 　 0.242352 Mean dependent var 4.885829 Adjusted R-squared 0.234621 S.D. dependent var　 3.581795 S.E. of regression 3.133567 Akaike info criterion 5.14201 Sum squared resid 962.2860 Schwarz criterion 5.19412 Log likelihood -255.1009 　 F-statistic 31.34767 Durbin-Watson stat　 0.139037 Prob(F-statistic)　　 0.000000 　　如表所示，回归结果从t检验和F检验看，均十分显著，这是一个十分奇怪的结论，两个相互独立的序列，得到了一个有较好拟和优度的模型 (或:两个本来没有任何因果关系的变量，却有很高的相关性（有较高的R2)），为何会出现这样的结果? 如果我们把模型的t检验和F检验视为一种游戏，是游戏的规则出了问题吗？回答是肯定的。游戏的假定条件发生了改变，如果仍然用以前的游戏规则，将可能产生谬误。事实上有如下的结果： 　 犯第一类错误的概率很大。 DW统计的分布集中在零附近。 t　统计量分布尾部十分厚重 （t分布） 伪回归场合DW统计量的分布。 ▲ 如果对上面的两个变量构造一元线性回归 Dependent Variable: Y Method: Least Squares Date: 01/18/09 Time: 17:00 Sample: 1 100 Included observations: 100 Variable Coefficient Std. Error t-Statistic Prob. C 　　 0.280876 　 0.108483 　 　2.589125 0.0111 X 　　 -0.162148 　 0.108082 -1.500231 0.1368 R-squared 　　 0.022451 　 Mean dependent var　　　 0.284074 Adjusted R-squared　0.012476 　 S.D. dependent var 1.091449 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 S.E. of regression 1.084619 　 Akaike info criterion　　　 3.020133 Sum squared resid　 115.2871 　 Schwarz criterion 　　 3.072236 Log likelihood -149.0066 　 F