6第四章 统计推断与预测幻灯片.pptVIP

第四章 统计推断与预测 线性回归模型主要有三大内容： 第一个是参数估计（前面已经进行了比较详细的讨论）； 第二个是参数的假设检验（前一章已介绍参数显著性检验和方程显著性检验，本章将要继续讨论这一内容）； 第三个是利用模型进行推断和预测。在本章中我们主要讨论古典线性模型的假设检验和预测问题。 一、限制性条件和缩压模型(Restrictions and Nested Models) 其中，限制性条件是针对参数而言。 上述例子说明，对于原模型的参数空间，可以通过参数约束进行一定程度的缩减或者压缩，则称约束后的模型是原来模型的缩压模型(nested model)。限制性条件意味着限制性的参数空间小于非限制性参数空间，也就是限制性模型被非限制性模型所包含。 本章对缩压模型参数约束假设检验的讲解，采用由特殊到一般、由简单到复杂的原则。 （1）多个系数的联合检验 上一章讲到的是系数显著性检验和系数组合的假设检验，本质上为单个系数（组合完后仍为单个系数）的检验。本部分主要介绍多个系数是否显著的联合检验。要注意区别！ 特例：方程显著性的F检验 （2）更一般化的缩压模型 到此为止，第二种检验还没有结束，在估计完b*后，还需要构造统计量进行假设检验。 其他检验统计量的构造 （一）似然比（LR）检验 似然比检验是根据受约束和无约束回归模型的似然函数值的差异来构造统计量。即先分别估计两种模型，分别得到似然函数值，从而构造检验统计量如下： 设Lr表示有约束回归模型的似然函数值，Lu是无约束的回归模型似然函数值。则定义似然比为 （二）两个应用 1.遗漏变量检验： 原假设：拟加入模型的变量系数为0 2.冗余变量检验： 原假设：拟删掉的变量系数为0 二、模拟与预测 1.点预测与区间预测 当对模型参数和模型设定进行了种种检验，认为已经得到了正确形式的模型和具有优良性质的参数估计后，可以利用它进行经济分析和预测。 即考察，当给定x0值时，y0的值是多少？ 严格来讲，模拟与预测是有区别的。如果x0值是样本内观察值，得到的 y0值是拟合值；如果x0值是样本外（out-sample）观察值，则得到的y0值是预测值。一般地，将它们统称为预测值，但一定要有样本内和样本外的概念。 需要注意：预测期间的解释变量值必须是已知的！！！！ 即要么 是可以事前(ex post)确定性地了解，要么是可以精确地预测。 2.预测的评价 对于模型的预测功能的评价，通常可以将整个样本区间分成两部分，用样本前一段数据（一般用85%-90%）估计模型，然后利用所估计的模型对余下的数据点进行预测。通过实际值与预测值的对比，评价模型预测功能。 假设，预测样本期为t=T+1，…,T+h。则预测评价指标包括： 看前面预测图发现，偏差比例占到80%，表明存在严重的系统误差。因此，预测并不可靠，在预测未来方面，本模型不是一个好模型。 关于系数约束的Wald检验步骤： 1.估计方程 2.在方程窗口工具跳上点击VIEWS 3.选择系数检验 4.再从中选择WALD系数约束检验 5.以方程的形式输入约束条件，约束方程之间用逗号分隔 6.根据F下统计结论 * * 有时需要同时检验若干个系数是否为0，这可以通过建立单一的原假设来进行。 设要检验g个系数是否为0，即与之相对应的g个解释变量对因变量是否有影响。不失一般性，可设原假设和备择假设为： H0: β1 =β2 = … =βg =0 H1: H0不成立 或者 (即X1, …Xg中某些变量对Y有影响) 分析： 这实际上相当于检验g个约束条件 β1= 0，β2 = 0，… ，βg = 0 是否同时成立。 若H0为真，则正确的模型是： 据此进行回归（有约束回归），得到残差平方和 SR是H0为真时的残差平方和。 若H1为真，正确的模型即原模型： 据此进行无约束回归（全回归），得到残差平方和 S是H1为真时的残差平方和。 如果H0为真，则不管X1, …Xg这g个变量是否包括在模型中，所得到的结果不会有显著差别，因此应该有： S ≈ SR 如果H1为真，则由上一节中所讨论的残差平方和∑e2的特点，无约束回归增加了变量的个数，应有