多重共线性与模型设定问题.ppt

模型设定误差的后果—包含无关变量 如果我们在模型中引入没有解释能力的解释变量： 系数估计值与随机扰动项的方差估计无偏； 系数估计值非有效，有偏误模型的OLS估计值方差会大于正确模型相应参数估计量的方差。 模型设定误差的后果—错误的函数形式设定 显然，两者的参数具有完全不同的经济含义，且估计结果一般也是不相同的。 模型设定误差的检验 检验是否含有无关变量：可用t检验与F检验完成。 检验的基本思想:如果模型中误选了无关变量，则其系数的真值应为零。因此，只须对无关变量系数的显著性进行检验。 t检验：检验某1个变量是否应包括在模型中； F检验：检验若干个变量是否应同时包括在模型中 模型设定误差的检验 一般性设定偏误检验： RESET 检验（regression error specification test）：可用于检验是否遗漏解释变量与函数设定是否有误差。 （Ramsey,1969) 若正确模型为： 我们把模型写成： 模型设定误差的检验 RESET检验的步骤： 若F统计量在一定的显著性水平下显著，则认为模型存在设定误差。 非嵌套假设检验 为了在两个或多个模型之间作出选择，我们需要进行检验，分为以下两类： 嵌套模型（nested models)的检验 非嵌套模型(nonnested models)的检验 非嵌套假设检验 嵌套模型的约束检验可以用前面已学的线性约束检验来完成。 非嵌套假设检验 H0与H1所包含的模型是非嵌套的，因为其中一个都不能作为另外一个的特殊情形被推导出来。 往往表示不同学派的经济理论。 如何检验？ 非嵌套假设检验 一个直观的想法是，把两个计量模型合并成一个大模型： 针对该一般模型，通过F检验分别检验H0与H1 非嵌套假设检验 问题： 该一般模型一般没有经济含义，尤其在H0与H1分别反映两种对立的经济理论的情况下更是如此； 当Z与W高度相关时，往往导致既不能拒绝H0 ，也不能拒绝H1 非嵌套假设检验 另外一种方法是建立以下模型： 如果?=0，则为模型H0， 如果?=1，则为模型H1。 因此，可通过检验施加的约束?=0是否为真来判断H0是否为正选模型。 问题是由该模型无法直接估计出?的值。 非嵌套假设检验——J test Davidson Mackinnon(1981): J test 非嵌套假设检验——J test 注意：拒绝H0不意味着接受H1。 需要相同的步骤去检验模型H1是否为真。 J检验存在同时接受或拒绝H0与H1的现象。 Thanks for listening! 多重共线性 Outlines 概念； 产生原因； 后果； 检验与纠正. 多重共线性的概念 若（＊）出现非零解，则称解释变量之间出现了完全共线性（Perfect Multicollinearity) 多重共线性的概念 实际上，完全共线性的问题在实际问题中比较容易避免，一般出现的是一定程度上的近似共线性。 如何从多元回归模型的意义理解多重共线性可能带来的问题？ 多重共线性产生的原因 经济变量的共同趋势: 　时间序列样本：经济繁荣时期，各基本经济变量（收入、消费、投资、价格）都趋于增长；衰退时期，又同时趋于下降。 横截面数据：生产函数中，资本投入与劳动力投入往往出现高度相关情况，大企业二者都大，小企业都小。 多重共线性产生的原因 滞后变量的引入； 取样方法或数据的限制 多重共线性产生的后果 完全共线性产生的后果： 举例： Ｙi=?1X1 i +?2X2 i +? i 　 多重共线性产生的后果 但如前所述，在实际情况下更多见的是近似共线性的情况。 近似多重共线性会产生什么问题？ 多重共线性产生的后果 　 　 多重共线性产生的后果 多重共线性产生的不良后果大部分都是由1)引起的。 多重共线性产生的后果 多重共线性的一个重要特征是： 　t检验不通过，F检验（方程整体显著性检验）通过，并且有较高的R2值。 多重共线性产生的后果 除非是完全共线性，多重共线性并不意味着任何基本假设的违背； 因此，即使出现较高程度的多重共线性，OLS估计量仍具有线性性等良好的统计性质; 问题在于，即使OLS法仍是最好的估计方法，它却不是“完美的”，尤其是在统计推断上无法给出真正有用的信息。 多重共线性的检验 多重共线性是一个程度问题而不是有无问题(Kmenta,1986)； 不存在度量多重共线性的唯一办法，在实践中我们一般用一些经验规则。 检验任务: (1)多重共线性的程度； 　　　　　　 (2)多重共线性是由哪些变量引起 多重共线性的检验 通过多重共线性引起的后果特征直观检验； 检查解释变量之间是否有高度的