第十章计量经济学–模型设定.pptVIP

内容回顾： 什么是虚拟变量？ 它有什么作用？ 引入虚拟变量的方式有几种？各在什么情况下引入？ CHOW检验需要首先判断出什么点？如何操作？其检验的原理是什么？ 第十章 模型设定偏误问题 第一节 模型设定偏误 一、模型设定偏误的类型 二、模型设定偏误的后果 三、模型设定偏误的检验 一、模型设定偏误的类型 模型设定偏误主要有两大类: (1)关于解释变量选取的偏误，主要包括漏选相关变量和多选无关变量， (2)关于模型函数形式选取的偏误。 1、相关变量的遗漏 （omitting relevant variables） 例如，如果“正确”的模型为 2、无关变量的误选 (including irrevelant variables) 例如，如果 Y=?0+?1X1+?2X2+? 仍为“真”，但我们将模型设定为 Y=?0+ ?1X1+ ?2X2+ ?3X3 +? 3、错误的函数形式 (wrong functional form) 例如，如果“真实”的回归函数为 二、模型设定偏误的后果 当模型设定出现偏误时，模型估计结果也会与“实际”有偏差。这种偏差的性质与程度与模型设定偏误的类型密切相关。 1、遗漏相关变量偏误 采用遗漏相关变量的模型进行估计而带来的偏误称为遗漏相关变量偏误（omitting relevant variable bias）。 案例分析：收入、财富与消费 仍利用消费与收入和财富的关系例子。 假定正确的模型是（由12个观察值估计的结果）： 若估计模型时只包括当期收入，得到的结果为： 若估计模型时只包括财富，得到的结果为： 由所得系数可以看出，两种情况下均造成高估所保留变量的参数，据此做分析可能导致得出错误的结论。 两个参数所处的区间应该分别为 和 关于遗漏必要的解释变量的总结 遗漏必要的解释变量是一种严重的错误，必须注意避免。 对别人的研究成果做评价时，是否存在遗漏必要解释变量的错误是需要考察的最重要的一个方面。 凡存在这种错误，研究结果肯定是不可信的。 自己研究中设定模型时，必须注意理论基础是否扎实。 纯粹基于经验观察的模型只应看作是一种初步的探索。 在遇到较严重的多重共线问题时，不要轻易地剔除变量，特别是重要的解释变量。 2、包含无关变量偏误 采用包含无关解释变量的模型进行估计带来的偏误，称为包含无关变量偏误（including irrelevant variable bias）。 3、错误函数形式的偏误 当选取了错误函数形式并对其进行估计时，带来的偏误称错误函数形式偏误（wrong functional form bias）。 容易判断，这种偏误是全方位的。 三、模型设定偏误的检验 1、检验是否含有无关变量 2、检验是否有相关变量的遗漏或函数形式设定偏误 （1）残差图示法 残差序列变化图 （2）一般性设定偏误检验 但更准确更常用的判定方法是拉姆齐(Ramsey)于1969年提出的所谓RESET 检验（regression error specification test）。 基本思想： 如果事先知道遗漏了哪个变量，只需将此变量引入模型，估计并检验其参数是否显著不为零即可； 问题是不知道遗漏了哪个变量，需寻找一个替代变量Z，来进行上述检验。 RESET检验中，采用所设定模型中被解释变量Y的估计值?的若干次幂来充当该“替代”变量。 例如，在一元回归中，假设真实的函数形式是非线性的，用泰勒定理将其近似地表示为多项式： 模型设定检验方法 模型设定产生错误的主要原因有： 缺乏估计正确模型所需的数据资料。 理论认识不完善，无法确定必要的解释变量。 对于第一种原因，可以考虑选择适当的替代变量。 理想的情况是，替代变量与原变量有尽可能高的相关性，与模型中其它变量有尽可能低的相关性。 这种处理可能降低估计参数的有效性，但保证得到无偏估计。 模型设定检验方法 对于第二种原因，可以采取下列统计检验手段来判断回归模型设定是否正确： 第一种情况：一个备选方程是其它所有备选方程的一般情况，例如: 需求与价格及收入方程： 需求与价格方程（需求曲线）： 需求与收入方程（恩格尔曲线）： 第一个方程是另两个方程的组合。对于这种情况，可以估计方程1，然后根据得到的t统计值和F统计值，检验哪个模型与数据更一致。 模型设定检验方法 第二种情况：两个备选模型有不同的解释变量（代表相互冲突的两种理论模型） 假定相互冲突的两种理论模型分别为： 可以构造出一个