y 是因变量观测值的n 维向量 - p总的线上工作室.ppt

* 预测误差和预测效果评估 假设真实的模型由下式给定： 这里 ut 是独立同分布，均值为零的随机扰动项，? 是未知参数向量。下面我们放松 ut 是独立的限制。 生成 y 的真实模型我们尚不知道，但我们得到了未知参数 ?的估计值b。设误差项均值为零，可以得到 y 的预测方程： 该预测的误差为实际值与预测值之差 * 模型评价指标 RMSE MAE MAPE Theil IC Bp Vp Cp * §2.2.5 有关问题的补充：定义和稳定性检验 一个推荐的经验方法是把观测值区间T分为T1和T2两部分。T1个观测值用于估计，T2个观测值用于检验和评价。把所有样本数据用于估计，有利于形成最好的拟合，但没有考虑到模型检验，也无法检验参数不变性，估计关系的稳定性。检验预测效果要用估计时未用到的数据，建模时常用T1区间估计模型，用T2区间检验和评价效果。对于子区间T1和T2的相对大小，没有太明确的规则。有时可能会出现明显的结构变化的转折点，例如战争，石油危机等。当看不出有转折点时，常用的经验方法是用85%-90%的数据作估计，剩余的数据作检验。 EViews提供了一些检验统计量选项，它们检查模型参数在数据的不同子区间是否平稳。 * 1. Chow分割点（断点）检验 Chow分割点检验的思想是对每一个子样本区间估计方程，看估计方程中是否存在显著差异。显著差异说明关系中存在结构变化。例如，可以使用这个检验来检查石油危机前后的能源需求函数是否一样。 为进行检验，把数据分为两个或多个子样本区间，每一子区间包含的观测值数应大于方程参数，这样才使得方程能被估计。Chow分割点检验基于比较利用整个样本估计方程获得的残差平方和及利用每一子区间样本估计方程获得的残差平方和之间的差别。 对Chow分割点检验，EViews提供了两个检验统计量。 F统计量和对数似然比（LR）统计量 ，F统计量基于对约束和非约束残差平方和的比较。在最简单情况下（一个分割点），计算如下： * Chow分割点检验的原假设:不存在结构变化。Chow分割点检验的主要缺陷是，如果每一个子区间要求至少和被估计参数一样多的样本数，那么这里就存在一个问题，比如说，要检验战争和和平时期的结构变化，但是战争时期的样本数较少。下面要讨论的Chow预测检验可以解决这个问题。 其中: 是整个样本期间估计的残差平方和； 是第 i 个子区间的残差平方和；T 是观测值数；k 是方程参数个数，这一公式可以扩展为多于一个分割点。 * 为了进行Chow分割点检验，选择View/Stability Tests/Chow Breakpoint Test…出现对话框以后，填入间断点的日期。比如，如果方程的数据是从1978到2002年，填入1994，则被定义成两个子区间：一个是1978到1993，另一个是1994到2002。 例3.9 我们利用Chow检验来判断例3.1所建立的消费函数的稳定性。20世纪90年代前的中国仍然处于卖方市场，虽然居民收入水平增幅较大，但商品供给有限，而且当时的利息率较高，因而居民收入更加倾向于储蓄增值而不是立即消费。1994年我国开始了全面的体制改革和制度创新，随着国有企业体制改革的推进和大量非国有企业的兴起并日益壮大，国内商品市场日益繁荣，商品品种更加丰富，使得居民收入用于消费的部分增加。不妨以1994年为假想的间断点，用Chow检验判断1994之前和之后的两段时期消费函数是否产生了显著的差异。 该结果是拒绝原假设：存在结构变化。 * Chow预测检验先估计了包括T1区间子样本的所有样本观测值的模型，然后用同样的模型去估计T1区间样本的因变量的值。如果两个估计值差异很大，就说明模型可能不稳定。检验适用于最小二乘法和二阶段最小二乘法。 EViews给出F统计量计算如下： 这里 用所有样本观测值估计方程的残差平方和， 是用T1子样本进行估计方程的残差平方和，k 是被估计参数的个数。当误差是独立同正态分布时，F统计量服从精确的有限样本的F分布。 2. Chow预测检验 * 选择View/Stability Test /Chow Forecast Test进行Chow预测检验。对预测样本开始时期或观测值数进行定义。数据应在当前观测值区间内。 仍以例3.1所建立的消费函数为例，定义1994作为预