变量的设定误差.PPT

估计结果： * 从预测的目的来看，R平方相差不大，选择B。但也未必合适。 做J检验 * J检验结果： A：B （接受A，拒绝B） * J检验结果： B:A（接受A，拒绝B） * J检验结果： 明显的是A模型并不是很好 矛盾？无法确定 继续采用考克斯检验、JA检验、P检验、米松-理查德检验 * 13.6 模型选择的准则 如果从预测的角度对几个备选的模型进行比较、选择？ 区分样本内预测和样本外预测 * 1、R2 准则 度量样本内拟合程度，不能保证对样本外的预测效率 比较R2必须保证因变量相同 * 2、校正R2 准则 比R2较优的度量指标 度量样本内拟合程度，不能保证对样本外的预测效率 比较R2必须保证因变量相同 * 3、赤池信息准则(AIC准则） 适用于样本内评价和样本外评价 模型越简洁、精度越高AIC值越小 * 4、施瓦茨信息准则 适用于样本内评价和样本外评价 模型越简洁、精度越高SIC值越小 * 案例：小时工资的决定模型 参考P507 * * 对变量设定误差进行检验必须在经济理论指导下进行，不可抛弃经济理论而进行假设检验。 对于是否误选无关变量的检验，只要针对无关变量系数的期望值为零的假设，用t检验或F检验，对无关变量系数作显著性检验即可。（切忌数据挖掘） 对于遗漏变量设定误差的检验有多种方法，例如DW检验、拉格朗日乘数检验、豪斯曼检验、RESET 一般性检验等。 这里只讨论设定误差的一些最常用的检验方法。 * 基本思想： 遗漏的相关变量应包含在随机扰动项中，那么回归所得的残差序列就会呈现单侧的正（负）相关性，因此可从自相关性的角度检验相关变量的遗漏。 从遗漏变量的模型看，可以认为遗漏变量模型是无遗漏变量模型的一个特例：被遗漏变量的系数为0。 一、 DW检验 * ， DW检验的具体步骤 1. 对回归模型运用OLS法得残差序列 2. 设定 按遗漏解释变量的递增次序对残差序列，进行 排序，对排序后的残差序列，计算d统计量： * 3. 查Durbin-Watson表，若 为显著，则拒绝 原假设，受约束回归模型不成立，存在模型设 定误差，否则接受原假设，受约束回归模型成 立，模型无设定误差。 * 对表7.4的数据设定总生产成本函数，准备 使用如 下三个备选模型： 有（1）为真实模型，试用DW法检验模型设定误 差。 案例 * 三个模型分别代入数据回归 (1) (2) * 本例中遗漏变量已按递增次序排列，此时的 值等于 值，无需重新计算d统计量。 (3) * 对上述模型的DW统计量的分析及查表情况如下： 1. 模型(1)： 有 =2.70，当 时 =0.525， =2.016，不能表明存在显著的正相关关系，接受H0，表示没有遗漏的变量。 2. 模型(2)：有 =1.038，当 时 =0.697， =1.641。显然有0.6971.0381.641，属于无法确定的区域。 采用修正的 DW 检验法进行检验即扩大拒绝区域，宁可判别残 差中存在正的自相关，认为也存在遗漏变量。 * 3. 模型(3) ： 有 =0.716，当 时， =0.879， =1.320 ，显然存在正的自相 关，拒绝 ，表明存在遗漏变量； * 二、拉格朗日乘数（LM）检验 基本思想： ●模型中遗漏的相关变量包含在随机扰动项中，因此随机扰动项或回归所得的残差序列应与遗漏的相关变量呈现出某种依存关系。 ●可以进行残差序列与相关变量的回归，在一定显著水平下若相关变量具有统计显著性，则认为存在遗漏变量形成的设定偏误，若相关变量不具有统计显著性，则认为没有遗漏变量形成的设定误差。 * 具体步骤 1. 对存在遗漏变量设定偏误的模型（受约束回归模型）进行回归，得残差序列 ； 2. 用残差序列 对全部的解释变量（包括遗漏变量）进行回归，得可决系数 ； 3. 设定 : 受约束回归模型 ：无约束回归模型。 在大样本情况下，构造检验统计量 ， 渐近地遵从 （约束个数） 4. 进行显著性检验的判断：若