计量第九章自相关与多重共线性.pptVIP

加入X3 可以看出X3的T检验没有通过。模型中去掉X3 加入X4 可以看出，引入X4模型的拟合优度没有明显改善，且影响了X1的显著性，所以去掉X4 最后得到的模型 Dependent Variable: Y Method: Least Squares Date: 04/18/08 Time: 17:29 Sample: 1 10 Included observations: 10 Variable Coefficient Std. Error t-Statistic Prob. C 2.322897 0.626102 3.710092 0.0076 X1 0.081826 0.015677 5.219553 0.0012 X2 0.079919 0.027340 2.923182 0.0222 R-squared 0.975284 Mean dependent var 7.570000 Adjusted R-squared 0.968222 S.D. dependent var 1.233829 S.E. of regression 0.219948 Akaike info criterion 0.052476 Sum squared resid 0.338641 Schwarz criterion 0.143252 Log likelihood 2.737618 F-statistic 138.1058 Durbin-Watson stat 2.264141 Prob(F-statistic) 0.000002 * * 自相关的后果 1. OLS估计量是线性无偏的。 2. OLS估计量不是有效的。? 3. OLS估计量的方差是有偏的。有时候用来计算方差和OLS估计量标准差的公式会严重低估真实的方差和标准差，从而导致t值变大。这会使某个系数表面看起来显著不为零，但事实并非如此。 4. 通常所用的检验一般来说是不可靠的。这是由于参数OLS估计量的方差增大，标准差也增大，在参数显著性检验时，实际计算的t统计量变小，从而接受H0假设(系数为零)的可能性增大，这表明拒绝估计值的机会大大增加，t检验失效。 5. 降低预测精度。区间预测与参数估计量的方差有关，由于参数估计量的方差是有偏估计，必然使预测区间估计不准确，从而降低预测精度。 自相关的后果 1. OLS估计量是线性无偏的。 2. OLS估计量不是有效的。? 3. OLS估计量的方差是有偏的。有时候用来计算方差和OLS估计量标准差的公式会严重低估真实的方差和标准差，从而导致t值变大。这会使某个系数表面看起来显著不为零，但事实并非如此。 4. 通常所用的检验一般来说是不可靠的。这是由于参数OLS估计量的方差增大，标准差也增大，在参数显著性检验时，实际计算的t统计量变小，从而接受H0假设(系数为零)的可能性增大，这表明拒绝估计值的机会大大增加，t检验失效。 5. 降低预测精度。区间预测与参数估计量的方差有关，由于参数估计量的方差是有偏估计，必然使预测区间估计不准确，从而降低预测精度。 * 在进行序列相关诊断时，我们遇到了与异方差情形一样的难题。我们不知道误差的方差的真实值，因为真实的误差项ui是无法观察的。如果ui相关的，我们也不知道它的产生机制，所以我们只能根据残差ei推断ui特征。 序列相关的检验有两种方法，图示法和解析法。 * DW统计量的最大优点是简单易行，它以OLS残差为基础，许多回归软件都可以对残差进行计算。Eviews给出的有关回归方程的结果中，除了给出了R２，校正R２ ()，t值，F值等外，也给出了D.W值。 如果存在 c1X1i+c2X2i+…+ckXki=0 i=1,2,…,n 其中: ci不全为0，则称为解释变量间存在完全共线性（perfect multicollinearity）。 多重共线性的类型 * 中山大学南方学院经济系 * 如果存在 c1X1i+c2X2i+…+ckXki+vi=0 i=1,2,…,n 其中ci不全为0，vi为随机误差项，则称为 近似共线性approximate multicollinearity或交互相关(intercorrelated)。 注意： 完全共线性的情况并不多见，一般出现的是在一定程度上的共线性，即近似