c9模型设定及数据问题的深入专题.docxVIP

第9章 模型设定和数据问题的深入专题 摘要: 异方差被看成是模型误设的一种，但不是最重要的一种。更重要的是解释变量和误差u相关(MLR.4不成立)，也就是所谓的内生性问题(endogenous explanatory variable)。本章讨论造成内生性问题的三种情况，以及补救措施。 9.1 函数形式误设(Functional Form Misspecification) 考虑小时工资的总体方程: wage=β0+β1educ+β2exper++β3exper2+u, 如果遗漏掉exper2会有什么影响？在该例子中变量都取水平值，而如果实际情况是因变量取对数值呢？ 上述问题就属于模型的函数形式误设问题(functional form misspecification)，该问题的直接后果是往往造成内生性问题。如此需要对模型进行误设检验！由于多项式函数是任意函数的一个很好逼近，如此可以建立含自变量平方项和交叉项的新模型，然后进行F检验。该模型误设检验被称为Ramsey回归误设检验(Ramsey’s (1969) regression specification error test ,RESET)。 事实上，如果原模型: y=β0+β1x1+β2x2+…+βkxk+u, (9.1) 满足MLR.1-MLR.4, 那么在原模型添加自变量的非线性关系应该是不显著的。因此，将原模型扩大为如下的模型： y=β0+β1x1+β2x2+…+βkxk+δ1y2+δ2y3+v, (9.2) 把(9.2)设为无约束模型，检验非线性关系是否显著，即原假设为: H0:δ1=δ2=0, 在原假设下，得到受限模型(9.1). 所建立的联合检验的F统计量渐近服从F2,n-k-3分布，或者建立LM统计量，其服从自由度为2的开方分布。 几点说明: 模型(9)中自然可以加入自变量的二次项、交叉项和三次项，但会丧失很多自由度； 拒绝了原假设，RESET检验并没有提供一个非线性的函数关系，这也是任何非线性检验都无法做到的； RESET可以用于异方差检验，但是在模型设定正确等情况时，它不能检验出异方差。 对非嵌套模型的检验 如果实际情况是需要对变量进行处理后，比如取对数后，然后线性模型设定才是正确的，此时模型属于非嵌套模型检验。例如，你是倾向于 wage=β0+β1educ+β2exper+u, (9.3) 还是wage=β0+β1log?(educ)+β2log?(exper)+u. (9.4) 有两种方法，一种是Mizon-Richard检验 (Mizon and Richard，1986)：先建立一个综合模型： wage=γ0+γ1educ+γ2exper+γ3log?(educ)+γ4log?(exper)+u， 然后检验原假设H0:γ1=γ2=0，或者H0:γ3=γ4=0。 另一种是Davidson-MacKinnon检验(Davidson-MacKinnon test,1981),即如果(9.4)成立，那么将(9.4)式的拟合值wage代入(9.3)，其回归系数是不显著的： wage=β0+β1educ+β2exper+β3wage+u。 上述过程也可以反过来操作。 几点说明: 两个非嵌套模型都有可能被拒绝或接受； 拒绝其中的一个模型，并不意味着另一个模型就是正确的； 对于因变量函数形式不同的检验，比较困难，见Wooldridge(1994a). 9.2 对无法观测的解释变量使用代理变量 假定log (wage)=β0+β1educ+β2exper+β3abil+u, 但是由于我们没有很好地界定什么是abil，从而其无法收集数据，最终这个关键变量在计量建模时不得不被遗弃，这样做的后果，显然是我们得到的OLS估计是有偏的估计。 处理的办法有两种，一种是建模时，就引入一个能计量的abil指标比如IQ，讨论IQ的工资效应。 另一种被称为代理变量(proxy variable)法，即引入一个能替代abil的可计量的变量，比如IQ。 假如模型： y=β0+β1x1+β2x2+β3x3*+u， （9.5） 满足高斯-马尔科夫假定，但是x3*不可观测。我们找到了其的一个可计量的代理变量x3，满足： x3*=δ0+δ1x3+v, （9.6） 显然若x3是一个合理的代理变量，那么其和x3*应该正相关(而且相关性越强越好)。直接用y对x1,x2,x3做回归，所得估计被称