reg03回归模式之评价与修订.PPTVIP

* 假性迴歸 與 共整合 yt 與 xt 均為隨機漫步的時間序列 I(1)，且 ?t = yt - ?- ?xt 亦為 I(1)，表示 yt 與 xt 為無關的隨機漫步。若將 yt 對 xt 跑迴歸， yt = ? + ?xt + ?t ，則會有虛假迴歸的問題。 yt 與 xt 均為隨機漫步的時間序列 I(1)，但 ?t = yt - ?- ?xt 為 I(0)，則表示 yt 與 xt 為共整合。此時若將 yt 對 xt 跑迴歸， yt = ? + ?xt + ?t ，則所得出的結果是有意義的。 yt 與 xt 均為隨機漫步，分別代表兩個醉漢的足跡；若 yt 與 xt 為共整合，表示兩個醉漢以一段繩子綁住後的足跡，兩個醉漢的足跡雖是隨機漫步，但又不會相距太遠。 * 虛 擬 變 數 Yi ＝ β0 + β1Xi ＋ ?i Yi ＝ β0 + δD+ β1Xi ＋ ?i D ＝ 1，若為男性 0，若為女性 * 虛 擬 變 數 Yi ＝ β0 + β1Xi ＋ ?i Yi ＝ (β0 + δ)+ β1Xi ＋ ?i H0： δ＝0 H1： δ≠0 女性： 男性： * 加入虛擬變數的結果 身高 體重 ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ ◎ ◎ ◎ ◎ ◎ ◎ ◎ ◎ ◎ ◎ ◎ ◎ ◎ ◎ ◎ ＊：女 ◎：男 δ β0 * 加入虛擬變數後的殘差 ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ ＊ ◎ ◎ ◎ ◎ ◎ ◎ ◎ ◎ ◎ ◎ ◎ * 虛擬變數陷阱 Yi ＝ β0 + β1Xi ＋ ?i Yi ＝ β0 + δD1+ γD2 + β1Xi ＋ ?I 1，若為男性 0，若為女性 D1 ＝ D2 ＝ 0，若為男性 1，若為女性 會產生完全多重共線性的問題 * 虛擬變數的個數 一般的原則是：如果模型有共同的截距項，且屬質變數 (類別變數) 有 m 種分類，則需引入 ( m－1 ) 個虛擬變數。 如果不符合這條原則，則會陷入虛擬變數陷阱，即「完全多重共線性」。 * 函數型式 與 結構轉變 欲知四季對可支配所得與消費之間的關係，模型如下： Ct = β1 + β2 × Xt + δ1 × Dt1 + δ2 × Dt2 + δ3 × Dt3 + εt 其中 D 為虛擬變數，其值為 0 或 1。以第四季為基準。 如果模型中有截距項，則 4 個類別只能使用 3 個虛擬變數，若使用 4 個虛擬變數，則會有「虛擬變數陷阱」的問題，即會產生「完全多重共線性」的問題。 當模型中有截距項，則 β1 表示第 4 季 (基準) 的效果，而 δ1 、 δ2 、 δ3 分別表示第 1、2、3 季和第 4 季的差距。 * 函數型式 與 結構轉變 欲知季節性對可支配所得與消費之間的關係，模型如下： Ct = β1 × Xt + δ1 × Dt1 + δ2 × Dt2 + δ3 × Dt3 + δ4 × Dt4 + εt 如果模型中沒有截距項，則 4 個類別就可以使用 4 個虛擬變數，此時不會有「虛擬變數陷阱」的問題。 當模型中沒有截距項，則 δ1 、 δ2 、 δ3 、 δ4 分別表示在所得保持固定下，第 1、2、3、4 季的效果。 * 類別變數 與 虛擬變數 的差異性 欲知學歷對所得的影響，模型如下： Income = β1 + β2 × age + δ × E + εt 其中，E 為類別變數，其值如下：E = 0，若為大學以下；E = 1，若為大學畢業；E = 2，若為碩士畢業；E = 3，若為博士畢業。 此種類別變數的設定，隱含不必要的限制條件：它隱含不同學歷差距的所得差距是相等的，即大學以下為 β1 ，大學畢業為 β1 + δ ，碩士為 β1 + 2δ ，而博士為 β1 + 3δ 。 * 類別變數 與 虛擬變數 的差異性 欲知學歷對所得的影響，較好的模型如下： Income = β1 + β2 × age +