样条函数及三次样条插值课件.pptVIP

华长生制作 例如，在一元回归中，假设真实的函数形式是非线性的，用泰勒定理将其近似地表示为多项式： *（3）同期相关性的豪斯蔓（Hausman）检验 由于在遗漏相关变量的情况下，往往导致解释变量与随机扰动项出现同期相关性，从而使得OLS估计量有偏且非一致。 因此，对模型遗漏相关变量的检验可以用模型是否出现解释变量与随机扰动项同期相关性的检验来替代。这就是豪斯蔓检验（1978）的主要思想。 当解释变量与随机扰动项同期相关时，通过工具变量法可得到参数的一致估计量。 而当解释变量与随机扰动项同期无关时， OLS估计量就可得到参数的一致估计量。 （4）线性模型与双对数线性模型的选择 无法通过判定系数的大小来辅助决策，因为在两类模型中被解释变量是不同的。 为了在两类模型中比较，可用Box-Cox变换: 例5.3.2 在§4.3中国商品进口的例中， 采用线性模型: R2=0.948; 采用双对数线性模型: R2=0.973， 但不能就此简单地判断双对数线性模型优于线性模型。下面进行Box-Cox变换。 §5.4从传统建模理论到约化建模理论 一、传统建模理论与数据开采问题 二、“从一般到简单”——约化建模型理论 三、非嵌套假设检验 四、约化模型的准则 一、传统建模理论与数据开采问题 传统计量经济学的主导建模理论是“结构模型方法论” 以先验给定的经济理论为建立模型的出发点， 以模型参数的估计为重心， 以参数估计值与其理论预期值相一致为判断标准， 当在众多备选变量中选择变量进入模型时，其中t检验的真实的显著性水平已不再是事先给出的名义显著性水平。 显著性水平意味着将一个无关变量作为相关变量选入模型而犯错误的概率。 例如： 给定?=5%，如果有2个相互独立且与被解释变量无关的备选变量，误选一个进入模型的概率就成了 1-(1-0.05)2=0.0975 传统建模方法的另一问题是它的“随意性”。 其结果是：对同一研究对象，使用同一数据，但不同的建模者往往得出不同的最终模型。 二、“从一般到简单”——约化建模型理论 该理论认为：在模型的最初设定上，就设立一个“一般”的模型，它包括了所有先验经济理论与假设中所应包括的全部变量，各种可能的“简单”模型都被“嵌套”（nested）在这个“一般”的模型之中。然后在模型的估计过程中逐渐剔除不显著的变量，最后得到一个较“简单”的最终模型。 这就是所谓的“从一般到简单”（general-to-specific）的建模理论。 检验时，求Y关于X与Z的OLS回归式： 在实际检验中，豪斯蔓检验主要针对多元回归进行，而且也不是直接对工具变量回归，而是对以各工具变量为自变量、分别以各解释变量为因变量进行回归。 如对二元回归模型: (*) 通过增加解释变量的F检验，检验联合假设： H0：?1=?2=0 。 拒绝原假设，就意味着（*）式中的解释变量与随机扰动项相关。 第一步，计算Y的样本几何均值。 第二步，用得到的样本几何均值去除原被解释变量Y，得到被解释变量的新序列Y*。 第三步，用Y*替代Y，分别估计双对数线性模型与线性模型。并通过比较它们的残差平方和是否有显著差异来进行判断。 Zarembka（1968）提出的检验统计量为： 其中，RSS1与RSS2分别为对应的较大的残差平方和与较小的残差平方和，n为样本容量。 可以证明：该统计量在两个回归的残差平方和无差异的假设下服从自由度为1 的?2分布。 因此，拒绝原假设时，就应选择RSS2的模型。 计算原商品进口样本的几何平均值为： 计算出新的商品进口序列： 以Mt*替代Mt，分别进行双对数线性模型与线性模型的回归，得： RSS1=0.5044 RSS2=1.5536 于是， 在?=5%下，查得临界值?20.05(1)=3.841 判断：拒绝原假设，表明双对数线性模型确实“优于”线性模型。 是一个“从简单到复杂”的建模过程（simple-to-general approach）:对不同变量及其数据的偿试与筛选过程。 传统建模方法主要的缺陷：建模过程的所谓“数据开采”（Data minimg）问题。 数据开采:对不同变量及其数据的偿试与筛选。 这一过程对最终选择的变量的t检验产生较大影响 罗维尔（Lovell）给出了一个从c个备选变量中选取k个变量进入模型时，真实显著性水平?*与名义显著性水平?的关系： ?*=1-(1- ?)c/k * * 第五章 函数近似计算的插值问题