多元回归分析：推断.PPT

Economics 20 - Prof. Anderson 关于假设检验 考虑一个选举问题：假定在一次选举中有两个候选人A和B。据报道，候选人A已得到42%的选票，候选人B得到58%的选票。姑且把这个百分比看成选民总体的真正百分比。候选人A深信更多的民众会投他的票，因此想调查选举是否有作弊情况，并雇用一个咨询机构随机抽取100名选举人的样本，所收集的样本中有53人投了候选人A的票。这一样本估计值53%明显超过所报告的总体值42%，候选人A应否据此作出结论说选举存在作弊？ 设立一个假设检验（hypothesis test），令Θ代表赞成候选人A的总体真实比例，令所报告的结果为真实的假设，陈述为： H0: Θ=0.42 虚拟假设（null hypothesis） H1: Θ0.42 对立假设（alternative hypothesis) 在上例中，100个随机样本中究竟有多少人投候选人A的票才能够足以使A能否作出H0错误而H1正确的结论？（合理的勿容置疑的证据） 假设检验中会犯的两种错误： 第Ⅰ类错误：拒绝一个其实是真实的虚拟假设 第Ⅱ类错误：未拒绝一个实际上是错误的虚拟 假设 检验的显著性水平：犯第Ⅰ类错误的概率 其含义为：当H0为真实时拒绝H0的概率 经典的假设检验要求设定a值，从而量化我们对第Ⅰ类错误的容忍度。通常a值有0.10，0.05，0.01。 一旦选定显著水平，检验的目标是把第Ⅱ类错误的概率减到最小。即对所有有意义的对立情况使一个检验的功效最大。一个检验的功效是1减去第Ⅱ类错误的概率。数学上表示为： 检验关于正态总体均值的假设 为了相对于一个对立假设而检验一个虚拟假设，需要挑选一个检验统计量和一个临界值。 给定一个统计量，即可定义一个拒绝规则来决定什么时候舍弃H0而选取H1.所有拒绝规则都是拿一个检验统计量的值t来同一个临界值c做比较作为依据的。 拒绝域：所有导致拒绝虚拟假设的t值的全体。 检验来自一个 总体的关于均值 的假设。 当样本均值 “足够”地大于 时，我们便应拒绝H0而接受H1。如何确定 已大到足以在选定的显著水平上拒绝H0？ 检验统计量t：在虚拟假设下，随机变量t有一个tn-1分布。 临界值c：5%的显著水平 拒绝规则： tc （c为tn-1分布中的第100(1-a)百分位数） 双尾检验（two tailed test) 拒绝规则： | t |c 给出100a%显著水平的检验 （c为tn-1分布中的第100(1-a/2)百分位数） 经典线性模型假定 给定高斯-马尔科夫假定，OLS是最优线性无偏估计。 为了做经典的假设检验，我们需要添加额外一个假定，即MLR.6:u 独立于x1, x2,…, xk ，且u 服从标准正态分布，即u ~ Normal(0,s2) MLR.1-MLR.6: 经典线性模型假设（CLM） 经典线性回归假设（续） 在经典线性回归假设下，OLS 不仅是最优线性无偏的，而且是方差最小的无偏估计。 经典线性回归总体假设： y|x ~ Normal(b0 + b1x1 +…+ bkxk, s2) 虽然我们假设u服从正态分布，但有时候并非如此： u中的众多因素可能各有极为不同的总体分布； u是不可观测因素的一个复杂函数，而非线性可加； 假定u的正态性，实际上是一个经验性问题。 大样本能够让u近似的满足正态性。 定理4.1 正态抽样分布 定理4.1推广： 4.2 t检验 t检验（续） 标准化参数的样本分布使得我们可以进行假设检验。 从虚拟假设开始，如H0: bj=0；如果接受虚拟假设，则意味着在控制其他因素不变的情况下，xj 对 y没有效应。 t检验（续） t检验：单侧备选假设 除了虚拟假设H0之外，我们还需要一个备选假设H1和一个显著性水平或当H0为真时拒绝它的概率。 H1可以是单侧的，也可以是双侧的。 H1: bj 0 及 H1: bj 0 都是单侧备选假设； H1: bj ? 0 是双侧备选假设。 如果我们想在5%的概率下拒绝一个为真的虚拟假设H0,那么我们的显著性水平为5%。 单侧备选假设（续） 选定一个显著性水平 a,在一个自由度为n-k-1的t分布中将得到(1 – a)th 百分数，称之为临界值 c。 我们可以拒绝虚拟假设，如果t统计量大于临界值C. 如果t小于临界值C，则无法拒绝虚拟假设。 单侧还是双侧假设 t分布是对称的，检验H1: bj 0 是非常直观的，临界值变成负数。 我们可