多元线性回归模型及假定经济意义是的重要解释变量.ppt

（一）邹氏参数稳定性检验 假设需要建立的模型为 在两个连续的时间序列（1,2,…，n1）与（n1+1,…，n1+n2）中，相应的模型分别为 合并两个时间序列为( 1,2,…,n1 ,n1+1,…,n1+n2 ) ，则可写出如下无约束回归模型 如果? =?，表示没有发生结构变化，因此可针对如下假设进行检验：H0: ? =? 式施加上述约束后变换为受约束回归模型 因此， 检验的统计量为： 记RSS1与RSS2为在两时间段上分别回归后所得的残差平方和，容易验证， 于是 参数稳定性的检验步骤： 1.分别以两连续时间序列作为两个样本进行回归，得到相应的残差平方： 与 ； 2.将两序列并为一个大样本后进行回归，得到大样本下的残差平方和 ； 3.计算统计量的值 邹氏参数稳定性检验 。 例2-6 （二）邹氏预测检验 邹氏预测检验的基本思想： 先用前一时间 段个样本估计原模型，再用估计出的参数进行后一时间段 个样本的预测。 如果预测误差较大，则说明参数发生了变化，否则说明参数是稳定的。 分别以 、 表示第一与第二时间段的参数，则 矩阵式为： 如果参数没有发生变化，则 ，矩阵式简化为 检验: 邹氏预测检验步骤： 1.在两时间段的合成大样本下做OLS回归，得受约束 模型的残差平方和 ； 2.对前一时间段的 个子样做回归，得残差平方和 ； 3.计算检验的 统计量，做出判断。给定显著性水 平 ，查 分布表，得临界值 ； 如果 ，则拒绝原假设，认为预 测期发生了结构变化。 四、三大经典的非线性约束检验 估计线性模型时也可对模型参数施加非线性约束。 如对模型 施加非线性约束 ，得到受约束回归模型： 该模型无法运用普通最小二乘法进行估计的， 必须采用非线性最小二乘法进行估计。 非线性约束检验是建立在最大似然原理基础上 的，有最大似然比检验、沃尔德检验与拉格朗日乘 数检验。 （一）最大似然比检验（LR） 最大似然比检验需要估计无约束回归模型与受 约束回归模型，运用最大似然估计法，检验两个似 然函数的值的差异是否“足够”大。 似然比： 如果比值不接近于1 ，说明两似然函数值差距较大，则应拒绝约束条件为真的假设；如果比值接近于1，说明两似然函数值很接近，应接受约 束条件为真的假设。 具体检验时，由于大样本下： h是约束条件的个数。因此：通过LR 统计量的?2分布特性来进行判断。 例2-7 （二）沃尔德检验（WD） LR检验既要估计约束条件下的极大似然函数值，又要估计无约束下的极大似然函数值，当约束模型的估计很困难时，此方法尤为适用。 沃尔德检验中，只须估计无约束模型。如对 要检验约束 　　 ，只须对该模型进行回归，并判断 　与1的差距是否足够大。 在所有古典假设都成立的条件下，容易证明 因此，在?1+?2=1的约束条件下 建立沃尔德统计量： 以例2-7为例 如果有h个约束条件, 可得到h个统计量z1, z2,…zh，约束条件为真时，可建立大样本下的服从自由度为h的渐近 分布统计量 其中：Z为以zi为元素的列向量，C是Z的方差-协方差矩阵。 仍以例2-7为例 （三）拉格朗日乘数检验（LM） 与WD检验不同的是拉格朗日乘数检验只须估计 受约束模型。所以当施加约束条件后模型形式变得 简单时，更适用这种检验。 拉格朗日乘数检验则只需估计受约束模型。受约 束回归是求最大似然法的极值问题： 其中， 是拉格朗日乘数行向量，衡量各约束条件对 最大似然函数值的影响程度。 如果某一约束为真，则该约束条件对最大似 然函数值的影响很小，于是，相应的拉格朗日乘 数的值应接近于零。因此，拉格朗日乘数检验就 是检验某些拉格朗日乘数的值是否“足够大”， 如果“足够大”，则拒绝约束条件为真的假设。 在各约束条件为真的情况下，拉格朗日统计量服 从一自由度恰为约束条件个数的渐近 分布。 如果为线性约束， 服从一精确的 分布： 其中，n为样本容量，R2为如下辅助回归的可决系数 　　为受约束回归模型的残差序列。 对三个检验统计量的说明 1. 可以证明，当样本容量趋于无穷大时，三种检验统计量都具有同样的极限分布，检验结果是一致