计量经济学-詹姆斯斯托克-第六章：单方程回归模型专题分析.pptVIP

1、问题产生的背景： （1）在现实研究中，我们常常无法控制自变量，因而解释变量成为随机变量。 （2）现实研究中，我们往往无法避免遗漏变量的错误，因此随机项中也就常常包含了模型中略去的那些解释变量，从而造成… 四、随机解释变量的问题 1、问题产生的背景： （3）在联立方程模型以及模型中包含有滞后内生变量等情况下，如果扰动项是序列相关的，那么均有扰动项和解释变量之间就是相关的，因此在这种情况下，模型也存在随机解释变量问题。 四、随机解释变量的问题 2、随机解释变量产生的后果： 在经典回归理论中，正是由于假设了自变量是确定的、非随机的，才保证了OLS的估计量具有“无偏性”的特征。 四、随机解释变量的问题 2、随机解释变量产生的后果： 在经典假设下，针对回归方程 ， β 的OLS估计量 是无偏的。证明如下： 所以， 四、随机解释变量的问题 2、随机解释变量产生的后果： 如果自变量是随机的，且无法保证它与随机项不相关，那么应用普通最小二乘法估计参数就会出现估计的不一致性。 四、随机解释变量的问题 2、随机解释变量产生的后果： 随机解释变量带来何种结果取决于它与随机误差项是否相关。为此分如下几种情况： (1)随机解释变量与随机误差项相关; (2)随机解释变量与随机误差项不相关; 四、随机解释变量的问题 2、随机解释变量产生的后果： 随机解释变量带来何种结果取决于它与随机误差项是否相关： (1) 随机解释变量与随机误差项相关，那么OLS得到的估计量依然是有偏估计。? 四、随机解释变量的问题 2、随机解释变量产生的后果： 随机解释变量带来何种结果取决于它与随机误差项是否相关： (2)随机解释变量与随机误差项线性无关，此时，OLS得到的估计量虽然是有偏的，但在大样本下是“渐进无偏”的。 四、随机解释变量的问题 3、如何处理： 略 四、随机解释变量的问题 如果错误地设定了方程（遗漏了FLR变量），则估计的结果如下： 1、遗漏相关变量——“过低拟合”模型 案例一：对婴儿死亡率的研究 CMi =157.4244 – 0.0114*PGNPi Se = (9.8455) (0.0032) R2 = 0.166 2 通过对比可知： (1) 变量PGNPi前的系数估计偏高 (2)截距也是有偏的，这里它低估了真实的截距值 (3)两个回归的标准误和r2也明显不同 1、遗漏相关变量——“过低拟合”模型 案例一：对婴儿死亡率的研究 正确：CMi = 263.6416 – 0.0056*PGNPi – 2.2316*FLRi Se = (11.5932) (0.0019) (0.2099) R2 = 0.7077 错误：CMi =157.4244 – 0.0114*PGNPi Se = (9.8455) (0.0032) R2 = 0.166 2 如果用“女性识字率（FLR）”（遗漏变量）对PGNP进行回归，就很容易观察到导致这个偏差的原因，回归结果如下： 1、遗漏相关变量——“过低拟合”模型 案例一：对婴儿死亡率的研究 正确：CMi = 263.6416 – 0.0056*PGNPi – 2.2316*FLRi 错误：CMi =157.4244 – 0.0114*PGNPi FLRi = 47.5971 – 0.00256*PGNP 根据(1)式： 这里：b21= – 0.002 56； 估计的 β1= – 0.0056，β2= – 2.2316 因此，可得： β1+β2 b21 = – 0.0056 + ( – 2.2316)*(– 0.00256) ≈– 0.011 4 1、遗漏相关变量——“过低拟合”模型 案例一：对婴儿死亡率的研究 原始的菲利普斯曲线： 附加预期的菲利普斯曲线 1、遗漏相关变量——“过低拟合”模型 案例二：菲利普斯曲线的估计