(第4章经典模型f.docVIP

第4章 经典模型 4.1 经典假定 4.2的抽样分布 4.3 高斯-马尔科夫定理和普通最小二乘估计量的性质 4.4 标准的计量经济学符号 4.5 总结与练习 经典计量经济模型与古希腊没有什么关系，甚至与亚当·斯密的经典经济思想也没有什么关系。取而代之，经典一词是指一系列相当基本的假定，要求这些假定成立是为了使普通最小二乘(OLS)估计量被认为是从回归模型中所能得到的“最优”估计量。当这些假定中的一个或多个不成立时，其他的估计方法（如在第九章中将要介绍的广义最小二乘法）有时会优于OLS。 因此，回归分析中最重要的工作之一就是要确定这些经典假定对于某个特定方程是否成立。如果成立，OLS就是最优的估计方法。否则，必须权衡另外的估计方法的优点和缺点。这些估计方法通常是当某个特殊假定不满足时对OLS的调整。就这个意义来说，本书余下的大多数内容就是处理这样一个问题：当某一个经典假定不满足时，我们该如何做。由于计量经济学家要花大量时间来分析对经典假定的违背，因此，对于他们来说，认识和理解这些假定是极其重要的。 4.1 经典假定 为使OLS估计量成为最优估计量，经典假定必须满足。由于他们在回归分析中的重要性，本章将这些假定以表格加上文字说明的形式列出来。随后的章节将研究这些假定被违背并介绍能产生更好估计量的估计技术。 称满足假定Ⅰ～Ⅴ的误差项为经典误差项。如果再加上假定Ⅶ，误差项便称为经典正态误差项。 Ⅰ.回归模型是线性的，被正确设定，并且有一项附加的误差项。回归模型被假设为线性的： （4-1） 线性回归模型的假定并不要求潜在的理论是线性的2。例如，指数函数： （4-2） 这里，e为自然对数的底数。对该方程两边取自然对数，变换成： （4-3） 如果变量重新表述为，，方程就变成线性形式： （4-4） 在方程（4-4）中，的OLS估计量的性质仍然成立，因为该方程是线性的。 另外两个性质也必须满足。首先，我们假定方程被正确设定。如果方程存在遗漏变量或者函数形式误设，这类问题会阻碍模型的良好运行。其次，我们假定有一个随机误差项被加到方程中。误差项必须是一个可加的附加项，且不能被模型中的任何变量相乘或相除。 Ⅱ.误差项的总体均值为零。正如我们在1.2.3节中所指出，为描述应变量不能被模型所解释的变异，计量经济学家在回归方程中加上一项随机误差项。这一误差项的每一个观测值完全是随机决定的。阐述这一概念的最好方法也许是把误差项看成是从随机变量的分布中抽取的，如图4-1所示： 经典假定Ⅱ认为分布的均值为零。也就是说，当考虑随机误差项的所有可能值的全部即总体时，总体均值应为零。对于小样本，误差项的均值不可能正好为零，但随着样本容量趋向于无穷大，样本均值趋向于零。 为弥补的总体均值可能不为零，在方程中加上常数项可以迫使任何回归中的的均值为零。从本质上说，常数项等于中不能被自变量解释的固定部分，而误差项等于中不能被解释的随机部分。 尽管误差项不可能被观察，但假设我们可以观察到误差项，对于理解常数项的存在如何迫使样本误差的均值为零具有指导意义。 考虑一个典型的回归方程： （4-5） 例如，如果的均值为3而不是零，那么。3如果将常数项加上3，同时将误差项减去3，便得到： （4-6） 由于方程（4-5）和（4-6）等价(为什么？)，。方程（4-6）可被写成具有零均值误差项的形式： （4-7） 这里，，。方程（4-7）满足经典假定Ⅱ。这种形式总是被假设应用于真实模型。因此，一旦方程中包含常数项，并且其余经典假定也得到满足，第二条经典假定也就满足。 Ⅲ.所有的解释变量与误差项不相关。它是假定解释变量的观测值的确定独立于误差项。所有的解释变量（）被认为不是由所讨论的回归方程所决定的。 如果一个解释变量与误差项相关，OLS估计量很可能把一些实际由误差项所引起的的变异归因于由解释变量所引起。例如，如果解释变量与误差项正相关，估计的回归系数可能大于（向上偏误）没有正相关时的系数估计。因为OLS估计程序会错误地把由引起的的变异归因于，因此，确保解释变量与误差项不相关是重要的。 违背这一假定的一个重要经济应用就是具有联立属性的任何模型。对于大多数经济应用，存在着几个相关联的命题,当把他们看成是一组时，就意味着形成一个回归方程系统。在大多数情况下，相关联的方程应该被联立而不是分别考虑。不幸的是，这样的联立方程组违背了经典假定Ⅲ。 为理解