检验回归系数的一致性.docVIP

检验回归系数的一致性 选取样本容量为500的非随机变量作为解释变量，记为X。设定和的真实值分别为0.5和0.8。用eviews自带的随机数据发生器生成一组序列作为随机扰动项。用上述的数据生成被解释变量Y，计算公式为 命令为 create workfile u 50 read(a2) E:\x.xls x for !i=1 to 1000 series u!i=nrnd series y!i=0.5+0.8*x+u!i equation eq!i.ls y!i c x genr b0!i=eq!i.@coefs(1) genr b1!i=eq!i.@coefs(2) next 1、从X中选取50个数据作为解释变量的样本，公式计算得到相应的Y。用最小二乘法对Y和X进行回归，eviews的输出结果如下所示： Dependent Variable: Y1 Method: Least Squares Date: 01/30/15 Time: 13:56 Sample: 1 50 Included observations: 50 Variable Coefficient Std. Error t-Statistic Prob.?? C -147.4706 223.2924 -0.660437 0.5121 X 0.971040 0.257973 3.764108 0.0005 R-squared 0.227905 ????Mean dependent var 693.0259 Adjusted R-squared 0.211820 ????S.D. dependent var 1.175987 S.E. of regression 1.044035 ????Akaike info criterion 2.963242 Sum squared resid 52.32049 ????Schwarz criterion 3.039723 Log likelihood -72.08105 ????Hannan-Quinn criter. 2.992366 F-statistic 14.16851 ????Durbin-Watson stat 1.660959 Prob(F-statistic) 0.000456 由于是随机数据发生器生成的，所以一次回归不能说明问题，显然上图中的只有0.23不能表示回归不正确，同样，为-147.47，偏离真实值0.5太多也不能说明不具有无偏性。为此，对Y和X进行1000次最小二乘估计，估计完成后，抽取每次估计得到的和，分别放于两个序列中，对和进行统计描述，画出统计直方图，结果如下图所示： 图 I 统计结果图 图 II 统计结果图 从图1和图2可以看到，估计值的均值为-0.99，与真实值0.5相差甚远，从而最小二乘估计值是有偏的，但是J-B统计的概率值为0.91，远大于0.05，从而接受正态分布的原假设，即的最小二乘估计量服从正态分布。估计值的均值为0.80，近似等于真实值0.8，从而最小二乘估计值是无偏的，并且J-B统计的概率值为0.91，远大于0.05，从而接受正态分布的原假设，即的最小二乘估计量服从正态分布。 2、增加样本容量到100，计算出相应的Y的值。对Y和X运用最小二乘估计方法进行回归，eviews的输出结果如下所示： Dependent Variable: Y1 Method: Least Squares Date: 01/30/15 Time: 14:00 Sample: 1 100 Included observations: 100 Variable Coefficient Std. Error t-Statistic Prob.?? C 2.109618 18.32239 0.115139 0.9086 X 0.798262 0.021263 37.54314 0.0000 R-squared 0.934991 ????Mean dependent var 689.9800 Adjusted R-squared 0.934328 ????S.D. dependent var 3.805145 S.E. of regression 0.975129 ????Akaike info criterion 2.807303 Sum squared resid 93.18586 ????Schwarz crit