第二回1 基本回归模型型.pptVIP

* 5. 对数似然函数值 EViews可以作出根据系数的估计值得到的对数似然函数值（假设误差为正态分布）。似然比检验可通过观察方程严格形式和不严格形式的对数似然值之间的差异来进行。 对数似然计算如下： * 6. Durbin-Watson 统计量 D-W 统计量衡量残差的一阶序列相关性，计算方法如下： 作为一个规则，如果DW值小于2，证明存在正序列相关。DW值很小，表明残差中存在序列相关。关于Durbin-Watson统计量和残差序列相关更详细的内容参见“序列相关理论”。 对于序列相关还有更好的检验方法。在 “序列相关的检验”中，我们讨论Q统计量和 LM检验，这些都是比DW统计量更为一般的序列相关检验方法。 * 7. 因变量均值和标准差（S.D） y 的均值和标准差由下面标准公式算出： 8. AIC准则(Akaike Information Criterion) 计算公式如下： 其中l 是对数似然值 我们进行模型选择时，AIC值越小越好。例如，可以通过选择最小AIC值来确定一个滞后分布的长度。 * 9. Schwarz准则 Schwarz准则是AIC准则的替代方法: 10. HQC信息准则(Hannan-Quinn Criterion)： * 10. F统计量和边际显著性水平 F统计量检验回归中所有的系数是否为零(除了常数或截距)。对于普通最小二乘模型，F统计量由下式计算： 在原假设为误差正态分布下，统计量服从 F(k – 1 , T – k) 分布。 F统计量下的P值，即Prob(F-statistic), 是F检验的边际显著性水平。如果P值小于所检验的边际显著水平，比如说0.05，则拒绝所有系数都为零的原假设。对于例1，P值为零，因此，我们拒绝回归系数为零的原假设。注意F检验是一个联合检验，即使所有的t统计量都是不显著的，F统计量也可能是高度显著的。 * 3.2 系数检验 系数检验对估计系数的约束进行评价，包括对遗漏变量和冗余变量特殊情况的检验。 一、Wald检验——系数约束条件检验 1. Wald检验原理 Wald检验没有把原假设定义的系数限制加入回归，通过估计这一无限制回归来计算检验统计量。Wald统计量计算无约束估计量如何满足原假设下的约束。如果约束为真，无约束估计量应接近于满足约束条件。下面给出计算Wald 检验统计量的一般公式。 * 对于一个线性回归模型 一个线性约束： 式中R是一个已知的 q ? k 阶矩阵，r 是 q 维向量。Wald统计量简写为，b 为没有加入约束得到的参数估计值： W 在H0下服从渐近?2(q)分布。进一步假设误差独立同时服从正态分布，我们就有一确定的、有限的样本F-统计量 是约束回归的残差向量。F统计量比较有约束和没有约束计算出的残差平方和。如果约束有效，这两个残差平方和差异很小，F统计量值也应很小。 * 2. 如何进行Wald系数检验 为介绍如何进行Wald系数检验，我们考虑一个例子。生产函数的数学形式为 在最初提出的C-D生产函数中，假定参数满足 ? + ? =1 ，也就是假定研究对象满足规模报酬不变。 Q 为产出，K 为资本投入，L 为劳动力投入。很容易推出参数? ,? 分别是资本和劳动的产出弹性。那么由产出弹性的经济意义，应该有 ? ,? 即当资本与劳动的数量同时增长?倍时，产出量也增长 ? 倍。1937年，提出了C-D生产函数的改进型，即取消了? +? =1 的假定，允许要素的产出弹性之和大于1或小于1，即承认研究对象可以是规模报酬递增的，也可以是规模报酬递减的，取决于参数的估计结果。 * 二、遗漏变量(Omitted Variables)检验 1. 遗漏变量检验原理 这一检验能给现有方程添加变量，而且询问添加的变量对解释因变量变动是否有显著作用。原假设H0是添加变量不显著。 检验的输出是 F 统计量和似然比（LR）统计量及各自P值 ，以及在备选假设下无约束模型估计结果。F统计量基于约束和无约束回归残差平方和之差。LR统计量由下式计算： Lr和Lu是约束和无约束回归对数似然函数的最大值。在H0下，LR统计量服从渐近?2 分布，自由度等于约束条件数，即加入变量数。 * 注意：