Chapter5 多元回归分析：.pptVIP

Chapter5 多元回归分析：OLS的渐进性 5.1一致性 5.2渐进正太和大样本推断 5.3OLS的渐进有效性 5.1Consistency5.1.1概念 一致性——若Wn为Θ的基于容量为n的样本估计量，那么随着n?∞，对任意ε0，都有 P（|Wn- Θ |ε）?0，则Wn为Θ的一致估计量。 也称Θ是Wn的概率极限，记作plim（Wn）= Θ 定理5.1 Consistency of OLS 在假定MLR.1-MLR.4下，对所有的j=0，1，……，k，OLS估计量 都是βj的一致估计。 Sampling Distributions as n ? Proving 基于简单回归模型的β1 MLR.4的弱化 MLR.4:对于无偏估计量，我们假定了零条件均值--- E(u|x) = 0 MLR.4’:对于一致估计量，我们可将MLR.4弱化为零均值和零相关假定 --- E(u) = 0 and Cov(x,u) = 0 没有这个假定，OLS估计量将是有偏的并且是不一致的! 5.1.2推导OLS的不一致性 如同零条件均值假定不满足会导致有偏一样，如果误差与任何一个自变量相关，那么OLS就是有偏而且不一致的，其渐进偏误为： 推导偏误的渐进情况： Example：住房价格与住房到垃圾焚化炉的距离 我们设定了一个简单回归模型： 但事实上房屋质量也是影响价格的重要因素， 如果质量越好的房屋就会距离焚化炉越远，则quality与distance就为正相关。 5.2 渐进正态和大样本推断 回忆在经典线性模型MLR.1~MLR.6的假定下，定理4.1表明抽样分布是正态的，在此基础上我们使用了t分布和F分布。 不幸的是有很多例子表明y的分布不是正态分布的 正态分布假定不会影响OLS称为最优线性无偏估计量，但t统计量和F统计量是否服从t分布和F分布则与正态分布假定有关。 定理5.2 OLS的渐进正态性 Example：婴儿出生体重方程中的标准误 考察吸烟量（cigs）对婴儿体重产生的影响，观测值共1388个。 当我们使用前一半观测值共694个得到βcigs估计量标准误约为0.0013，当我们使用全部观测值时标准误为0.00086 5.2.3 Lagrange Multiplier statistic 在大样本情况下，无需正态假定我们也可以运用t和F统计量。 但有时我们也可以用其他的方法检验多元排除约束。 LM统计量的推导同样依赖于高斯-马尔科夫假定，但不需要正态性假定。 推导LM Statistic 对模型 y = b0 + b1x1 + b2x2 + . . . bkxk + u 我们要检验最后q个变量是否都具有零总体参数 H0: bk-q+1 = 0, ... , bk = 0 估计的约束模型为： 小结： 在大样本情况下，F检验与LM检验没有本质区别，由于软件中一般给出F统计量，所以我们主要使用F统计量。 与F统计量不同的是，LM检验中无约束模型的自由度不起作用。 Example：犯罪的经济模型 5.3OLS的渐进有效性 OLS估计量是一致的、无偏的 在Gauss-Markov假定下，OLS估计量还是方差最小的 因此我们说OLS统计量是渐进有效的 注意，OLS统计量的最小方差性是依赖于同方差假定的，同方差性不满足OLS统计量未必是方差最小的。 * * 对于越来越大的样本容量，Wn的分布越来越集中于Θ 对比：无偏性是估计量在给定样本容量下特征。无偏的不一定是一致的，只有方差逐渐缩减为0的无偏估计量才是一致估计量。 估计量的无偏性固然重要，但并非永远都能成立，对于一个估计量经济学家的最低要求是一致性。 b1 n1 n2 n3 n1 n2 n3 A.8 MLR.4 0 对应于有限样本情形 若此协方差很小，则这一不一致性可以被忽略。但u是不可观测的，所以我们不知道这个协方差的大小。 渐进偏误不会随着样本的增多而消失，反而使问题更糟 和遗漏变量情况类似 都为正 因此，简单回归高估了焚化炉对价格的影响 OLS估计量的确切正态性，关键取决于总体中误差u的正态性。 u的正态性意味着在给定x的条件下y的分布是正态的。 u是不可观测的，因此考虑y的分布是否是正态的则容易的多。 例如一些明显偏态的变量：在某一特定年份中被捕的青年数量（大部分人不会被捕） 5.2.1 Central Limit Theorem 利用中心极限定理我们可以证明OLS估计量满足渐进正态性 （asymptotically normal） 渐进正态性的含义是： P(Zz)?F(z) as n ??, or P(Zz) ? F(z) 中心极限定理表明任何（具有有限方差的）总体 的一个随机样本的均值经过