6回归方程参数稳定性分析课件.pptVIP

* * 回归方程参数稳定性分析 回归方程稳定性的检验 * * 统计班 * * 模型参数的稳定性 1、邹氏参数稳定性检验 建立模型时往往希望模型的参数是稳定的，即所谓的结构不变，这将提高模型的预测与分析功能。如何检验？ 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+n2）中，相应的模型分别为： 合并两个时间序列为( 1,2,…，n1 ，n1+1,…，n1+n2 )，则可写出如下无约束回归模型 如果?=?，表示没有发生结构变化，因此可针对如下假设进行检验： H0: ?=? (*)式施加上述约束后变换为受约束回归模型 (*) （**） 因此，检验的F统计量为： 记RSS1与RSS2为在两时间段上分别回归后所得的残差平方和，容易验证， 于是 参数稳定性的检验步骤： （1）分别以两连续时间序列作为两个样本进行回归，得到相应的残差平方： RSS1与RSS2 （2）将两序列并为一个大样本后进行回归，得到大样本下的残差平方和RSSR （3）计算F统计量的值，与临界值比较： 若F值大于临界值，则拒绝原假设，认为发生了结构变化，参数是非稳定的。 该检验也被称为邹氏参数稳定性检验。 例 城镇居民食品人均消费需求的邹氏检验。 参数稳定性检验 1981~1994： RSS1=0.003240 1995~2001： (9.96) (7.14) (-5.13) (1.81) 1981~2001: (14.83) (27.26) (-3.24) (-11.17) 给定?=5%，查表得临界值F0.05(4, 13)=3.18 结论：F值临界值，拒绝参数稳定的原假设，表明中国城镇居民食品人均消费需求在1994年前后发生了显著变化。 2、邹氏预测检验 上述参数稳定性检验要求n2k。 如果出现n2k ，则往往进行如下的邹氏预测检验（Chow test for predictive failure）。 邹氏预测检验的基本思想: 先用前一时间段n1个样本估计原模型，再用估计出的参数进行后一时间段n2个样本的预测。 如果预测误差较大，则说明参数发生了变化，否则说明参数是稳定的。 非线性约束 也可对模型参数施加非线性约束,如对模型 施加非线性约束?1?2=1,得到受约束回归模型: 该模型必须采用非线性最小二乘法进行估计。 非线性约束检验是建立在最大似然原理基础上的,有最大似然比检验、沃尔德检验与拉格朗日乘数检验. 1、最大似然比检验 (likelihood ratio test, LR) 估计:无约束回归模型与受约束回归模型， 方法:最大似然法， 检验:两个似然函数的值的差异是否“足够”大。 记L(?,?2)为一似然函数: 无约束回归 : Max: 受约束回归 : Max: 约束：g(?)=0 受约束的函数值不会超过无约束的函数值，但如果约束条件为真，则两个函数值就非常“接近”。 由此，定义似然比（likelihood ratio）: 如果比值很小，说明两似然函数值差距较大，则应拒绝约束条件为真的假设； 如果比值接近于１，说明两似然函数值很接近，应接受约束条件为真的假设。 ２、沃尔德检验（Wald test, W） 沃尔德检验中，只须估计无约束模型。如对 在所有古典假设都成立的条件下，容易证明 因此，在?1+?2=1的约束条件下: 记 可建立沃尔德统计量: 3、拉格朗日乘数检验 拉格朗日乘数检验则只需估计受约束模型. 受约束回归是求最大似然法的极值问题: g(?):以各约束条件为元素的列向量, ?’：以相应拉格朗日乘数为元素的行向量,衡量各约束条件对最大似然函数值的影响程度。 如果某一约束为真，则该约束条件对最大似然函数值的影响很小，于是，相应的拉格朗日乘数的值应接近于零。 因此，拉格朗日乘数检验就是检验某些拉格朗日乘数的值是否“足够大”，如果“足够大”，则拒绝约束条件为真的假设。 年份 个人储蓄 个人可支配收入 年份 个人储蓄 个人可支配收入 1970 61 721.1 1983 167 2522.4 1971 68.6 790.2 1984 235.7 2810 1972