第七章 标准和检验.ppt

第七章 模型选择：标准与检验;本章的主要内容如下： 1.“好的”或者“正确”的模型具有的性质 2.在实践中容易犯哪几种设定误差？ 3.各种设定误差的后果是什么? 4.如何诊断设定误差？ 5.如果已经犯了设定误差，可以采取哪些补救措施重新回到“正确的”模型。 ;一、“好的”模型具有的性质;二、设定误差的类型;（一）遗漏相关变量：“过低拟合模型”;4.根据两变量模型得到的误差方差是真实误差方差 的有偏估计量。 5.此外，通常估计的 的方差（ ）是真实估计量方差的有偏估计量。即使 等于零，这一方差仍然是有偏的。 6.通常的置信区间和假设检验过程不再可靠。置信区间将会变宽，因此可能会“更频繁地”接受零假设：系数的真实值为零。 （二）包括不相关变量：“过度拟合”模型 假定正确的模型如下： 而错误设定的“过度拟合”的模型如下： ;过度拟合模型通常会导致如下后果： 1.过度拟合模型的估计两是无偏的（也是一致的）。即： 2.从过度拟合方程得到的 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.从过度拟合模型中估计的a是无效的——其方差比真实模型中估计的b的方差大。因此，建立在a的标准误上的置信区间比建立在b的标准误上的置信区间宽，尽管前者的假设检验是有效的。总之，从过度拟合模型中得到的OLS估计量是线性无偏估计量，但不是最优先性无偏估计量。 比较“过度拟合”和“过低拟合”所导致的后果，可以得到这样一个结论：包括不相关变量比遗漏相关变量要好。但不能简单地认为，增加变量就可以了，因为增加不必要的变量会损失估计量的有效性，也可能导致多重共线性问题，还会损失自由度。;（三）不正确的函数形式 假设有如下两个模型： 首先应该知道的是，如果选了错误的函数形式，则估计的系数可能是真实系数的有偏估计量。 问题是：如何根据一个样本在这两个模型间进行选择呢？ 假如有如下例子：下表给出了1968-1987年美国进口货物的支出（Y）和个人可支配收入(X)的数据。;美国进口货物的支出与个人可支配收入 数据表 1968年-1987年;利用这些数据分别拟合以上两个模型得到：;Dependent Variable: LNY Method: Least Squares Date: 11/01/08 Time: 12:06 Sample: 1968 1987 Included observations: 20 Variable Coefficient Std. Error t-Statistic Prob. C -23.76903 6.939654 -3.425103 0.0032 LNX 3.906223 0.944492 4.135794 0.0007 TIME -0.056435 0.026128 -2.159930 0.0454 R-squared 0.936649 Mean dependent var 5.464374 Adjusted R-squared 0.929196 S.D. dependent var 0.321369 S.E. of regression 0.085513 Akaike info criterion -1.942814 Sum squared resid 0.124312 Schwarz criterion -1.793455 Log likelihood 22.42814 F-statistic 125.6737 Durbin-Watson stat 2.317654 Prob(F-statistic) 0.000000 ;从以上这两个例子的回归结果可知： 所有的回归系数都是统计显著的，而且两个模型的判定系数 都很高。我们无法根据这些因素来判别两个模型的优劣。当然，这些因素都不是区别这两类模型拟合数据优劣的主要标准，因为，在实际应用中有一种专门判别这两类模型拟合数据优劣性的方法。（本章后面的内容会涉及到这个问题） （四）度量误差 1.应变量中度量误差对回归结果的影响 (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。;2.解释变量的度量误差对回归结果的影响 (1)OLS估计量是有偏的 (2)OLS估计量也是不一致的。 解决方法: 如果解释变量中存在度量误差，建议使用工具变