第5章口 区间估计与假设检验.pptVIP

Dependent Variable: Y Method: Least Squares Date: 03/26/12 Time: 10:26 Sample: 1 10 Included observations: 10 　 　 Variable Coefficient Std. Error t-Statistic Prob. C 24.45455 6.413817 3.812791 0.0051 X 0.509091 0.035743 14.24317 0 R-squared 0.962062 Mean dependent var 111 Adjusted R-squared 0.957319 S.D. dependent var 31.42893 S.E. of regression 6.493003 Akaike info criterion 6.756184 Sum squared resid 337.2727 Schwarz criterion 6.816701 Log likelihood -31.7809 Hannan-Quinn criter. 6.689797 F-statistic 202.8679 Durbin-Watson stat 2.680127 Prob(F-statistic) 0.000001 　 　 　 第一组括号内的数字代表估计的系数的标准误的估计值，第二组数字代表每个回归系数的真实总体值都是零的虚拟假设下计算出来的t估计值，第三组数字代表估计的p值。 在真实总体截距值为零的虚拟假设下，得到一个大到3.8128的t值的概率仅约为0.0026。这是一个很小的概率，因此我们拒绝虚拟假设，真实总体截距不为零。 同理，拒绝真实MPC是零的虚拟假设。如果真实MPC确实为零的话，我们得到一个0.5091的MPC的机会实际上为零。 十一、评价回归分析的结果 根据消费——收入模型，我们可以回答这个模型拟合的有多“好”： （1）所估系数的符号是否与理论或事前预期相一致？ 先验说，消费函数中β2 应试正的。在本例中确是如此。 （2）如果理论上认为这个关系式不仅是正的，而是是统计上显著的，在本例中是这样的吗？ 如5.10节讨论的，MPC不仅是正的，而且统计上显著地异于零，t估计值的p值极小，截距项系数同理。 （3）回归模型在多大程度上解释了消费支出的变异？ 可以用r2 来回答。本例中r2 约为0.96，这是一个很高的值。 如此看来，为了解释消费支出行为，我们选用的模型算是够好的了。在结束讨论之前，我们还想看看模型是否满足CNLRM假定，检查其中关于干扰项ui 的正态性。 正态性检验 残差直方图 正态性的雅克-贝拉（Jarque-Bera）检验。 此检验先计算OLS残差的偏态（skewness）和峰态(kurtosis)，再使用下列检验统计量： JB统计量渐进的遵循自由度为2的卡方分布。因此，如果计算出来的卡方统计量的p值充分低，就可拒绝残差为正太分布的假设。如果p值合理的高，则不拒绝正态性假设。 印度食物支出例 Dependent Variable: FOODEXP Method: Least Squares Date: 03/26/12 Time: 13:00 Sample (adjusted): 1 55 Included observations: 55 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C 94.20878 50.85635 1.852449 0.0695 TOTALEXP 0.436809 0.078323 5.577047 0 R-squared 0.369824 Mean dependent var 373.3455 Adjusted R-squared 0.357934 S.D. dependent var 83.4351 S.E. of regression 66.85575 Akaike info criterion 11.27864 Sum squared resid 236893.6 Schwarz criterion 11.35163 Log likelihood -308.163 Hannan-Quinn criter. 11.30686 F-statistic 31.10345 Durbin-Watson stat 2.083299 Prob(F-statistic) 0.00