教案eviews5章基本回归模型的ols估计.pptVIP

五、 线性回归模型的检验 1.拟合优度检验 拟合优度R2的计算公式为 R2 = ESS / TSS = 1－RSS / TSS 当回归平方（ESS）和与总体平方和（TSS）较为接近时，模型的拟合程度较好；反之，则模型的拟合程度较差。因此，模型的拟合程度可通过这两个指标来表示。 * 五、 线性回归模型的检验 2.显著性检验 变量显著性检验（t检验） 检验中的原假设为： H0：?i= 0， 备择假设为： H1：?i ≠ 0， 如果原假设成立，表明解释变量x对被解释变量y没有显著的影响；当原假设不成立时，表明解释变量x对被解释变量y有显著的影响，此时接受备择假设。 * 五、 线性回归模型的检验 2.显著性检验 方程显著性检验（F 检验） 原假设为： H0：?1= 0，?2= 0，…，?k= 0， 备择假设为： H1：?i 中至少有一个不为 0， 如果原假设成立，表明解释变量x对被解释变量y没有显著的影响；当原假设不成立时，表明解释变量x对被解释变量y有显著的影响，此时接受备择假设。 * 五、 线性回归模型的检验 2.显著性检验 方程显著性检验（F 检验） F 统计量为 该统计量服从自由度为（k，n－k－1）的F分布。给定一个显著性水平α，当F统计量的数值大于该显著性水平下的临界值Fα（k，n－k－1）时，则在（1－α）的水平下拒绝原假设H0，即模型通过了方程的显著性检验，模型的线性关系显著成立。 * 五、 线性回归模型的检验 3.异方差性检验 （1）图示检验法 图示检验法通过散点图来判断用OLS方法估计的模型异方差性，这种方法较为直观。通常是先将回归模型的残差序列和因变量一起绘制一个散点图，进而判断是否存在相关性，如果两个序列的相关性存在，则该模型存在异方差性。 * 五、 线性回归模型的检验 3.异方差性检验 （1）图示检验法 检验步骤： 建立方程对象进行模型的OLS（最小二乘）估计，此时产生的残差保存在主窗口界面的序列对象resid中。 建立一个新的序列对象，并将残差序列中的数据复制到新建立的对象中。 然后选择主窗口中的“Quick” | “Graph” | “Scatter”选项，生成散点图，进而可判断随机项是否存在异方差性。 * 五、 线性回归模型的检验 3.异方差性检验 （2）怀特（White）检验法 检验步骤： 用OLS（最小二乘法）估计回归方程，得到残差e。 作辅助回归模型： 求辅助回归模型的拟合优度R2的值。 White检验的统计量服从χ2分布，即 N· R 2 ～χ2 (k) 其中，N为样本容量，k为自由度，k等于辅助回归模型（）中解释变量的个数。如果χ2值大于给点显著性水平下对应的临界值，则可以拒绝原假设，即存在异方差；反之，接受原假设，即不存在异方差。 * 五、 线性回归模型的检验 3.异方差性检验 （2）怀特（White）检验法 White检验的统计量服从χ2分布，即 N· R 2 ～χ2 (k) 其中，N为样本容量，k为自由度，k等于辅助回归模型（）中解释变量的个数。如果χ2值大于给点显著性水平下对应的临界值，则可以拒绝原假设，即存在异方差；反之，接受原假设，即不存在异方差。 * 五、 线性回归模型的检验 3.异方差性检验 （2）怀特（White）检验法 在EViews5.1软件中选择方程对象工具栏中的“View” | “Residual Tests” | “White Heteroskedasticity”选项即可完成操作。 * 五、 线性回归模型的检验 3.异方差性检验 异方差性的后果 ： 当模型出现异方差性时，用OLS（最小二乘估计法）得到的估计参数将不再有效；变量的显著性检验（t检验）失去意义；模型不再具有良好的统计性质，并且模型失去了预测功能。 * 五、 线性回归模型的检验 4.序列相关检验 方法： （1）杜宾（D .W .—Durbin-Watson）检验法 （2）LM（拉格朗日乘数—Lagrange Multiplier）检验法 * 五、 线性回归模型的检验 4.序列相关检验 （1）杜宾（D .W .—Durbin-Watson）检验法 J. Durbin, G. S. Watson于1950年提出了D .W .检验法。它是通过对残差构成的统计量来判断误差项ut 是否存在自相关。D .W .检验法用来判定一阶序列相关性的存在。 D .W .的统计量为 * 五、 线性回归模型的检验 4.序列相关检验 （1）杜宾（D .W .—Durbin-Watson）检验法 如果， 0 D .W . dt ，存在一阶正自相关 dt D .W .