应用统计与计量模型第7讲.pptVIP

《应用统计与计量模型》 第7讲 模型的拟合与诊断 */* 第7讲 模型的拟合与诊断 一.由一般到特殊的模型构建(ADL Autoregressive Distributed Lag model) 首先，从一个包括了尽可能多解释变量的“一般”自回归分布滞后模型ADL开始，通过检验回归系数的约束条件逐步剔除那些无显著性变量，压缩模型规模最终得到一个简化的模型。这种方法称为“一般到特殊”建模法。 模型若丢失重要解释变量将导致回归系数的OLS估计量丧失无偏性和一致性。“一般到特殊”建模法的主要优点是能够把由于选择变量所带来的设定误差减到最小。因为在初始模型中包括了许多变量，所以不会使回归系数的OLS估计量存在丢失变量误差。虽然因为在初始模型中包括了许多非重要解释变量，从而使回归参数估计量缺乏有效性，但随着检验约束条件的继续，那些非重要的解释变量被逐步剔除掉，从而使估计量缺乏有效性的问题得到解决。 */* 第7讲 模型的拟合与诊断 最常见的 是ADL (1, 1) 和ADL (2, 2) ， yt = ?0 + ?1 yt-1 + ?0 xt + ?1 xt-1 + ut , ut ? IID (0, ? 2 ), 和 yt = ?0 + ?1 yt-1 + ?2 yt-2 + ?0 xt + ?1 xt-1 + ?2 xt-2 + ut , ut ? IID (0, ? 2 ), 通过对?0 , ?0 和 ?1 施加约束条件，从ADL模型可以得到许多特殊的经济模型。 */* 第7讲 模型的拟合与诊断 当 ? 1 = ? 1 ? 0 成立，模型ADL (1, 1)变为 yt = ?0 + ?0 xt + ut 这是一个简单的一元回归模型。 当 ? 0 = ? 1 = 0时，由模型ADL (1, 1)得 yt = ?0 + ?1 yt-1 + ut 这是一阶自回归模型。 当 ? 1 ? ? 0 = 0 时，则有 yt = ?0 + ?1 xt-1 + ut xt-1 是yt 的超前指示变量（领先指标）。此模型称为前导模型。 */* 第7讲 模型的拟合与诊断 当约束条件是 ? 1 ??，? 1 ? - ? 0 时，ADL (1, 1)式变为 ? yt = ?0 + ?0 ? xt + ut 这是一阶差分模型。当xt与yt为对数形式时，上述模型为增长率（收益率）模型。 若 ? 1 = 0成立，模型 ADL (1, 1)则变为一阶分布滞后模型。 yt = ?0 + ?0 xt + ?1 xt-1 + ut 取 ? 1 ? 0，则模型ADL (1, 1)变为标准的局部调整模型（偏调整模型）。 yt = ?0 + ?1 yt-1 + ?0 xt + ut */* 第7讲 模型的拟合与诊断 当 ? 0 ? 0 时，由模型ADL (1, 1)得 yt = ?0 + ?1 yt-1 + ?1 xt-1 + ut 模型中只有变量的滞后值作解释变量，yt 的值仅依靠滞后信息。这种模型称为“盲始”模型。 给定 ? 1 ? - ? 1 ，模型ADL (1, 1)化简为 yt = ?0 + ?1 (yt-1 - xt-1 ) + ?0 xt + ut 此模型称为比例响应模型。解释变量为xt 与 (yt-1 - xt-1 )。 */* 第7讲 模型的拟合与诊断 前面只考虑最简单的线性条件下的动态分布滞后模型作为一般模型构建的出发点，实际上非线性的情况才是一般，线性则是特殊，所以考虑自变量与因变量之间的非线性可能，以非线性的动态分布滞后模型作为构建模型的出发点，显然更具有一般性。例如，从ADL (1, 1) 出发 yt = ?0 + ?1 yt-1 + ?0 xt + ?1 xt-1 + ?2 Log( xt) + ?3 x2t + ?4 x3t + ?5 (1/ xt) + …… +ut 到这里只考虑一个自变量的情况，而更一般是多变量的场合。 */* 第7讲 模型的拟合与诊断 以非线性的动态分布滞后模型作为构建模型的出发点，显然会损失过多的自由度，对数据的要求更高。 信息量测度 Akaike info criterion