网站大量收购独家精品文档,联系QQ:2885784924

高级计量经济学多元线性回归模型推荐.ppt

  1. 1、本文档共84页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
高级计量经济学多元线性回归模型推荐

* 最大似然法估计 解上述三个方程得到: * 最大似然法估计 由于σ20,求解Ln(L)对应于β的最大值等同于求解ESS对应于β的最小值。这意味着,在正态分布假定下,最大似然估计量与最小二乘法估计量是相同的。 在模型为线性函数的情况下, σ2的最大似然估计量为ESS/N,不同于OLS方法得到的ESS/(N-1)。 由于最大似然估计量β l和σl2均为真实参数(β, σ2)的一致性估计量并且服从渐近正态分布,因而可以对非线性模型的估计参数做各种统计检验。 广义矩法 (Generalized method of moments) 利用OLS和最大似然法估计模型参数时,均需要就解释变量及误差项的性质做出某些假定,以保证估计量具有BLUE性质。 使用广义矩方法(GMM)则不要求就误差项的统计分布做出严格的假定。 GMM估计量是稳健估计量(Robust estimators)。 从理论上可以证明,GMM方法更具有一般性,OLS、GLS和最大似然法均为GMM方法的特例。 GMM估计量 GMM估计方法基于模型参数应该满足某种理论关系的认识。 在应用工作中,这种理论关系用一系列基于样本数据的矩条件来替代。 考虑一元线性回归模型Yi = β0 + β1Xi +ei 应用OLS方法时假定有E(ei)=0, E(Xiei)=0,对应的样本矩条件为: 由上述矩条件可以得到OLS的两个正规方程,这表明OLS方法为GMM方法的一个特例,即使用常数项和X作为工具变量的情况。 GMM估计方法 GMM方法可以基于更为一般化的矩条件。 参数非线性函数 误差项为非正态分布 GMM方法试图得到与参数间理论关系尽可能接近的参数估计值。 通常使用的理论关系为参数的某种函数与工具变量呈现正交(orthogonality),即E(f(β)’Z)=0 式中β为K维待估计参数向量,Z为L维工具变量向量,L≥K。 GMM估计量在大样本情况下渐近有效。 GMM估计方法 矩条件的个数L大于模型中参数个数K时会出现过度识别问题,此时需要考虑在充分利用样本信息的同时避免出现相互冲突的估计结果。 这通过使样本加权矩最小化来实现。 GMM估计的步骤为: 给出待估计的模型 设定工具变量 求得使样本矩最小的参数估计 做必要的统计检验 GMM估计方法 考虑回归模型Y = F(X,β)+ e 定义有关待估计参数的函数f(β)=(Y- F(X,β)) GMM估计方法选择使f(β)与工具变量Z之间的相关程度最接近于0的参数估计,即最小化: J(β)=(M(β))’A(M(β)) 式中样本矩向量 (M(β))= f(β)’Z,A为加权矩阵。 由任何对称正交矩阵A都可以得到 β 的一致性估计量,但得到 β 有效估计的必要条件是A等于样本矩M协方差矩阵的逆矩阵。 在EVIEWS中使用GMM估计方法 在调用模型估计方法时选择GMM估计技术 在随后出现的窗口中给出待估计的模型 可以用列变量表的方式,如Y C X。 可以用数学函数形式表达,如a*log(y)+xb 在工具变量窗口给出工具变量设定 工具变量设定采用列表方式 工具变量的个数必须等于或大于待估计参数的个数 EVIEWS会自动增加常数项C作为工具变量 在EVIEWS中使用GMM估计方法 例1:用Z和W作为工具变量估计模型Yi=β0+β1Xi+ei 模型设定窗口Y C X 工具变量窗口C Z W 或 Z W 相应的正交条件为: 在EVIEWS中使用GMM估计方法 例2:用Z和Zt-1作为工具变量估计模型a*log(Yt)+Xtb=et 模型设定窗口C(1)*log(Y)+X^C(2) 工具变量窗口C Z Z(-1) 或 Z Z(-1) 相应的正交条件为: 此时报告的估计结果中不包括R2 模型设定与设定误差检验 模型设定错误有广义和狭义两种情况 狭义的错误指模型设定出现丢失重要解释变量、包括不必要的解释变量、解释变量测度存在误差等情况; 广义的错误还包括多重共线、残差项出现异方差或序列相关等情况。 当出现模型设定错误时,利用OLS方法得到的参数估计不再具有最小方差和无偏性质。 建模:从一般到简单的策略 模型设定与设定误差检验 多重共线 模型变量设定错误 遗漏必要的解释变量 包括不必要的解释变更 解释变量含有测度误差 误差项不符合古典假定 回归方程函数形式错误 异方差和序列相关 多重共线 根据古典假定,矩阵XX应该是满秩的,即XX可逆。 若数据违反上述假定,那么出现解释变量间的完全多重共线。 在实际工作中,由于数据原因造成的解释变量完全多重共线并不常见,并且多数是由于模型设定错误。经常遇到的情况是解释变量之间的不完全多重共线。 令rj为不同时为零的常数,上述两种情况可以表示为: 完全的多重共线 不完全的多重共线(vi为

您可能关注的文档

文档评论(0)

feixiang2017 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档