[高等教育]chapter9 模型设定.pptVIP

第九章 模型设定和数据问题的深入探讨 9.1函数形式误设 9.2对无法观测解释变量使用代理变量 9.3随机斜率模型 9.4有测量误差时OLS的性质 9.5数据缺失、非随机样本和异常观测 9.1函数形式的误设 遗漏某解释变量的平方项——导致偏误 遗漏交互项——导致偏误 因变量应该用对数形式——导致偏误 9.1.1对函数形式误设问题的一般检验：RESET 回归设定误差检验（RESET）的思路： 如果下面的模型满足MLR.4 那么如果在模型中添加自变量的非线性关系应该是不显著的。 RESET检验的过程： 考虑扩大方程 y = b0 + b1x1 + … + bkxk + d1?2 + d1?3 +u 检验H0: d1 = 0, d2 = 0 注意：F~F2,n-k-3 or LM~χ22 Example：住房价格方程 比较两个模型的RESET统计量： Price= b0+b1lotsize+b2sqrft+b3bdrms+u F=4.67，p=0.012 lPrice= b0+b1llotsize+b2lsqrft+b3bdrms+u F=2.56，p=0.084 9.1.2对非嵌套模型的检验 如果我们要在下列两个非嵌套模型中选择： 方法一：（Mizon and Richard，1986） 分别检验： 方法二：戴维森-麦金农检验 思想：如果（1）正确，那么（2）中的拟合值y在（1）中作为解释变量时应该是不显著的。 对模型 检验： 对模型 检验： 评价非嵌套模型的检验： 可能两个模型都被拒绝，或都没有被拒绝。 如果都没有被拒绝，则我们可以使用拟合优度来选择。 拒绝了某一个模型，并不意味着另一个模型就完全正确，也不意味着被拒绝的模型就一无是处。 9.2对无法观测的解释变量使用代理变量9.2.1代理变量和植入解 考虑工资模型 植入解得到无偏估计量的假设： u与x1、x2、x3*以及x3都不相关 v3与x1、x2、x3都不相关 E(x3* | x1, x2, x3) = E(x3* | x3) = d0 + d3x3 y = (b0 + b3d0) + b1x1+ b2x2 + b3d3x3 + (u + b3v3) 如果代理变量与其他自变量也相关，则会出现偏误！ 9.2.2用滞后因变量作为代理变量 如果无法确定遗漏变量的代理变量究竟应该是什么，那么可以选择较早时期的因变量作为代理变量。 例如，某些城市过去有较高的犯罪率，同时导致现在和过去犯罪率很高的无法观测因素中，许多都是相同的。 Example：城市犯罪率 Crime表示人均犯罪次数，unem表示城市失业率，expend表示执法的人均支出，crime-1表示以前某个年度的犯罪率 9.3随机斜率模型 如果一个变量的偏效应是随某些无法观测的因素而变化的，这就会产生随机斜率模型。 例如：工资方程 对于我们的n个观测者： 我们有n个ai，α=E（ai） 我们有n个bi，β=E(bi) 对于某个观测者，如果ai=α+ci， bi=β+di其随机斜率模型为： y=ai+bixi=α+ci+(β+di)xi=α+βxi+ui 其中ui=ci+dixi 随机斜率模型是否有偏？ E(ui|x)= E(ci|x) +xi E(di|x) = E(ai|x)-α+ xi [ E(bi|x)-β] 如果E(ai|x)=α，E(bi|x)=β则E(ui|x)=0 9.4有测量误差时OLS的性质9.4.1因变量中的测量误差 测量误差的例子：我们想要“家庭年收入”，但是被调查者只为我们提供了家庭成员的工资总收入，实际上投资收益被忽略了，此时产生了测量误差。 令y*表示因变量的真实值，y表示观测值 测量误差e=y-y* 对于真实情况（满足高斯-马尔科夫假定） 而我们回归的方程为 如果也满足满足高斯-马尔科夫假定，则估计量是有效地，即 E（e|x）=0 存在测量误差时，误差方差会增大。 小结： 如果因变量的测量误差与解释变量系统相关，则会导致OLS的偏误。 如果测量误差只是一个与解释变量无关的随机误差，则OLS完全适用。 9.4.2解释变量中的测量误差 令x*表示因变量的真实值，x表示观测值 对于解释变量x1的测量误差e1=x1-x1* 假设E（e1）=0 自变量测量误差在两类假定下的影响 假定一：Cov（x1，e1）=0 E（u- β1e1 |x1）=0 Var（u-β1e1） Var（u） 假定二（经典变量误差假定CEV）：Cov（x1*，e1）=0 Cov（x1，e1）=E（x1e1） = E（x1*e1）+E（e12）=Var(e1) Cov（x1，u-β1e1）=- β1 Var(e1) 在CEV假定下的偏误 回忆第5章渐进偏误