3.6回归模型的参数约束.docVIP

§3.6 受约束回归 在建立回归模型时，有时根据经济理论需对模型中变量的参数施加一定的约束条件。如上节建立中国城镇居民对食品的消费需求函数时，根据需求函数的一般理论，它应满足零阶齐次性条件，即双对数线性模型中各变量前的参数和为零。同样地，在估计以幂函数的形式表示的生产函数模型时，有时也施加产出关于资本与劳动的弹性和为1的约束。模型施加约束条件后进行回归，称为受约束回归（restricted regression），与此对应，不加任何约束的回归称为无约束回归（unrestricted regression）。 一、模型参数的线性约束 一般地，估计线性模型时可对模型参数施加若干个线性约束条件。如对模型 （3.6.1） 可施加 ， （3.6.2） 于是，对（3.6.1）的回归可转化为对施加上述条件后如下模型的回归： (3.6.3) 或 （3.6.4） 其中，，， 如果运用普通最小二乘法得到参数的估计结果，可由上述约束条件得到，。 然而，对所考查的具体问题能否施加约束条件，或者说能否直接对施加约束后的模型进行回归，还需进一步进行相应的检验。常用的检验有F检验、检验与t检验，这里主要介绍F检验。 在同一数据样本下，记无约束样本回归模型的矩阵式为 （3.6.5） 记受约束样本回归模型的矩阵式为 （3.6.6） 于是，受约束样本回归模型的残差项可写为 得受约束样本回归模型的残差平方和 （3.6.7） 式中第二项为一非负标量，于是 (3.6.8) 其中，为无约束样本回归模型的残差平方和。 在（3.6.5）与（3.6.6）两个回归模型中，有着相同的被解释变量Y与相同的数据样本，于是Y的总离差平方和TSS也相同。（3.6.8）式表明受约束样本回归模型的残差平方和不小于无约束样本回归模型的残差平方和，于是，受约束样本回归模型的回归平方和不大于无约束样本回归模型的回归平方和。这意味着，通常情况下，对模型施加约束条件会降低模型的解释能力。 但是，如果约束条件为真，则受约束回归模型与无约束回归模型具有相同的解释能力，从而使得与的差异变小。于是，可用的大小来检验约束条件的真实性。 根据数理统计学的知识，~，其中k为回归模型中解释变量的个数，为回归模型随机扰动项的方差。于是， （3.6.9） (3.6.10) （3.6.11） 其中，，分别为无约束与受约束回归模型的解释变量的个数。于是可通过计算（3.6.11）式的统计量来进行相应的检验。当然，由于随机扰动项的方差往往未知，检验时需用它的估计量替代。 由（3.6.9）式与（3.6.11）式，可进一步得到如下的F统计量 （3.6.12） F统计量无需估计随机扰动项的方差。根据该统计量，如果约束条件无效，则与的差异较大，计算的F值也较大。于是，可用计算的F统计量的值与所给定的显著性水平下的临界值作比较，来对约束条件的真实性进行检验。需注意的是，恰为约束条件的个数。 例3.6.1 在§3.5节中国城镇居民对食品的人均消费需求实例中，无约束回归模型（3.5.18）式的残差平方和=0.00324，受约束回归模型（3.5.19）式的残差平方和=0.00332，样本容量n=14，无约束回归模型变量个数=3，约束条件个数=3-2=1。于是 在5%的显著性水平不，自由度为（1，10）的F统计量的临界值为=4.96。计算的F值小于临界值，不能拒绝中国城镇居民对食品的人均消费需求函数具有零阶齐次特性这一假设。 需要指出的是，这里介绍的F检验适合所有关于参数线性约束的检验，§3.4节中对回归模型总体的线性性检验，可以归结到这里的F检验上来。如对线性模型 的总体线性性检验，就是要检验联合假设： ： ， 因此，受约束回归模型为 由（3.6.