分布滞后模型与自回归模型PPT.ppt

解决办法：只要在模型（1）中加入新的变量即可，即模型变成如下形式： wagei=α+β1edui+β2 experi+εi （2） 这里：experi-第i个人的工作经历。 应用多元线性回归模型的几个原因： 第一，即使我们所关注的仅是一个解释变量X1对被解释变量Y的影响，但如果还存在其它解释变量X2、X3…等也对Y有影响，且同时与X1相关，那么此时就应将X2、X3…等一并引入模型，即建立如下新模型： Yi=α+β1X1i+ β2X2i+ β3X3i+…+εi （3） 第二，提高预测准确度。 如果我们要试图解释被解释变量Y的波动，显然，引入更多的解释变量可以使解释更准确，即预测Y更准确。 第三，提高假设检验中所用“仪器”的准确度。比如，有时一个因素虽然与已有的解释变量无关，但你不将其“揪出来”放到模型中去，而将它看作随机扰动项的一部分，它就可能造成扰动项的异方差、自相关等问题。 需思考的问题 为什么只要加入另外一些与已有解释变量相关的新解释变量就可保证我们所关注参数的一致性呢？ 由于这些新加入的新解释变量与原解释变量是相关的，这不会对原解释变量的参数估计形成影响吗？ 如果直观的理解上述问题，留待后面章节。 第二节 多元线性回模型的参数估计 1.基本模型设定 Y=α+β1X1+ β2X2+ β3X3+…βkXk+εi （3） 这里：Yi-被解释变量，Xji-第j(j=1，2 …k）个解释变量， εi～N（0，σ2）。 2.要估计的参数 α 、 β1、 β2、 β3 …βk，还有σ2。 特别要注意： 第一，万不可忘记，我们同时要估计参数σ2。（回想一下，为什么？） 第二，要估计的参数，并不一定是我们实际应用中所一定关注的参数。 比如，实际中，我们可能只关注x1的参数β1，因而其他参数估计的准确性，我们并不关心。 3.估计的方法 ——普通最小二乘法（OLS） ——最大似然法（ML） ——矩估计（MON） 我们只关注OLS法。 4.最小二乘估计结果 要求：尽可能看懂课本P58-59页的推导过程；但必须要记住这个结果。 假如能为教育找到一个工具变量，我们就可以用方程（*）来进行估计。 教育的工具变量需满足： （1）与教育相关；（2）与能力以及其他可能影响工资的不过科观测的因素不相关。 educ可用的IV： （1）motheduc（母亲的教育是孩子所受的教育是正相关的，但也可能和孩子的能力也正相关）；（2）sibs（家庭中兄弟姐妹的个数，一般来说，较多的兄弟姐妹个数对应于较低的平均教育水平）。 设法寻找一个yt-1的替代变量zt，要求zt与yt-1高度相关，但与误差项νt互不相关。实际应用中，一般取 将其替代模型中的yt-1，得： 再用广义差分法消除νt的自相关性，估计出模型中的各个参数。 工具变量法在一阶自回归模型中的应用 利用EViews软件的具体操作步骤为： ①利用CROSS命令确定分布滞后模型的滞后期长度S CROSS Y X ②利用OLS法估计分布滞后模型（设滞后期长度为3） LS Y C X (0 TO -3) ③计算zt=yt-et GENR Z=Y-RESID ④将zt替代自回归模型中的yt-1，并用广义差分法（设存在一阶自相关性）估计模型： LS Y C X Z(-1) AR(1) 上述命令过程也可以用TSLS命令统一写成： TSLS Y C X Y(-1) AR(1) @ C X(0 TO 3) DW检验法不适合于方程含有滞后被解释变量的场合。在自回归模型中，滞后被解释变量是随机变量，已有研究表明，如果用DW检验法，则d统计量值总是趋近于2。也就是说，在一阶自回归中，当随机扰动项存在自相关时，DW检验却倾向于得出非自相关的结论。 德宾提出了检验一阶自相关的h统计量检验法。 三、德宾h-检验 通常写作杜宾h-检验 h统计量定义为 其中， 为随机扰动项一阶自相关系数 的估计量， 为DW统计量， 为样本容量， 为滞后被解释变量 的回归系数的估计方差。 在 的假定下，h统计量的极限分布为标准正态分布。因此，在大样本情况下，可以用h统计量值判断随机扰动项是否存在一阶自相关。 （7.32） 具体作法如下 （1）对一阶自回归方程 直接进行最小二乘估计，得到 及