模型遗漏变量偏差.ppt

2-* Copyright ? 2006 The McGraw-Hill Companies, Inc. All rights reserved. McGraw-Hill/Irwin 模型选择：标准与检验 第7章 问题 “好的”或者“正确的”模型具有哪些性质？ 假定一个无所不知的计量经济学家建立了一个“正确”的模型用于分析某种经济现象。然而，由于数据的可获得性（出于对成本的考虑，或是疏忽等其他原因），研究人员使用了另一个模型，因此比之“正确”模型，就犯了设定误差的错误。在实践中可能会犯哪几类设定误差呢？ 问题 各种设定误差的后果是什么？ 如何诊断设定误差？ 如果已经犯了设定误差，可以采取哪些补救措施？ 7.1 “好的”模型具有的性质 经济计量学家哈维（A.C.Harvey）列出了模型判断的一些标准 : 简约性（parsimony）。 可识别性（identifiability）。 拟合优度（goodness of fit）。 理论一致性（theoretical consistency）。预测能力（predictive power）。  7.2 设定误差的类型 Venn diagram. 主要介绍一些实践中经常遇到的设定误差： 遗漏相关变量 包括不必要变量 采用了错误的函数形式 度量误差 7.3 遗漏相关变量：“过低拟合”模型 遗漏变量偏差（omitted variable bias）。 遗漏变量X3的后果 如果遗漏变量X3与模型中的变量X2相关，则a1和a2是有偏的；也就是说，其均值或期望值与真实值不一致。 a1和a2也是不一致的，即无论样本容量有多大，偏差也不会消失。 如果X2和X3不相关，则b32为零；此时，a2是无偏的，也是一致的；但a1仍然是有偏的。 误差方差是真实误差方差的有偏估计量。 a2的方差估计量是真实估计量b2方差的有偏估计估计量。 通常的置信区间和假设检验过程不再可靠。 7.3 遗漏相关变量：“过低拟合”模型 7.4 包括不相关变量：“过度拟合”模型 回归模型的估计后果如下： 1.“不正确”模型的OLS估计量是无偏的（也是一致的）。 2.从回归方程（7.10）中得到的 的估计量是正确的。 3.建立在t检验和F检验基础上的标准的置信区间和假设检验仍然是有效的。 4.从回归方程（7.10）中估计的 却是无效的——其方差比从真实模型（7.9）中估计的的方差大。 7.5 不正确的函数形式 现在考虑另一种设定误差。假设模型包括的变量Y， ， 都是理论上正确的变量。考虑如下两种模型设定： 7.6 度量误差 应变量中的度量误差 1.OLS估计量是无偏的。 2.OLS估计量的方差也是无偏的。 3. 估计量的估计方差比没有度量误差时的大。因为应变量中的误差加入到了误差项 中。 解释变量中的度量误差 1.OLS估计量是有偏的。 2.OLS估计量也是不一致的。即使样本容量足够大，OLS估计量仍然是有偏的。 如果解释变量中存在度量误差，则建议使用工具变量或替代变量。 7.7 诊断设定误差：设定误差的检验 诊断非相关变量的存在 7.7 诊断设定误差：设定误差的检验 对遗漏变量和不正确函数形式的检验 判定模型是否恰当主要根据以下一些参数： 1. 和校正后的 （ ） 2.估计的 值 3.与先验预期相比，估计系数的符号 7.7 诊断设定误差：设定误差的检验 残差检验 图7-2 回归（7.13）和（7.20）的残差 7.7 诊断设定误差：设定误差的检验 在线性模型和对数线性模型之间选择：MWD检验 7.7 诊断设定误差：设定误差的检验 回归误差设定检验：RESET 7.7 诊断设定误差：设定误差的检验 回归误差设定检验：RESET 2-* Copyright ? 2006 The McGraw-Hill Companies, Inc. All rights reserved. McGraw-Hill/Irwin