计量经济学第三讲20130418.docVIP

浙江工商大学金融学院姚耀军讲义系列 PAGE PAGE 3 第三讲 假设检验 问题提出与统计量设计 假设某一经济学理论认为，对于如下模型： 参数的取值应该是。现在我们基于样本数据对上述模型进行OLS估计，获得估计值。请问，我们该如何判断估计结果是否符合先前有关参数取值的理论预言？ 应该注意到，即使理论预言完全正确，但由于抽样误差的存在，恰好等于W是不太可能的。因此，我们不能因为不等于W就认为理论预言不正确。然而假设理论预言正确，并且模型设定满足高斯-马尔科夫假定，则从直觉上看，OLS估计值应该离W不远。如果与W相距甚远，则我们有理由怀疑理论预言的正确性。然而从如下两个方面我们可以看出，上述直觉不太严谨：首先，即使理论预言正确，如果OLS估计精度不高，则OLS估计值很可能与W有较大差异；其次， 会随着解释变量测度单位的变化而发生变化（当然W也会随之而变），因此在一种测度单位下与W的差异较小，但改变解释变量测度单位将导致与W的差异变大。基于上述思考，我们定义一个Z统计量： 这个统计量是一个分数，而分母的出现具有两方面的意义： 第一，它表明我们在考察与W的差异时注意到了估计精度问题。如果估计精度很低，即OLS估计量的标准差很大，则即使理论预言完全正确，与W也可能有较大的差异，不过我们认为Z应该接近0。 第二，分母的出现解决了解释变量测度单位的影响。 笔记： 1、假设理论预言正确，并且模型设定满足高斯-马尔科夫假定，则，并且在所有的线性无偏估计量中，OLS估计量精度最高。注意到这里精度最高是相对而言，就绝对水平而言，OLS估计量精度涉及到很多因素（例如样本容量大小就影响估计精度）。 2、思考题：假设解释变量原来的测度单位是公斤，现在新的测度单位是吨，请问解释变量所对应的OLS参数估计值会随着测度单位变化而发生怎样的变化？ 我们还面临的一个问题，一个标准需要被用来判定多大的Z值才算接近0。为了解决这个问题，我们首先引入一个假定：模型除了满足高斯-马尔科夫假定外，还满足误差项服从正态分布这个假定。引入这个假定的直接目的是，我们能保证参数的OLS估计量服从正态分布。 笔记： 1、误差项是由很多因素构成的，当这些因素是独立同分布时，依照中心极限定理，那么这些因素之和应该近似服从正态分布。 2、误差项是否服从正态分布可以进行检验，例如Jarqe-Bera检验就是一种常用的检验方法（参见相关的教科书）。问题是，尽管我们能观察到解释变量、被解释变量的取值，但由于参数的真实取值未知，因此误差是观测不到的。通常的策略是利用残差来代替误差以进行相关的检验。当然，一个前提是残差确实是对误差的良好近似，这进而要求，高斯-马尔科夫假定中的一些关键假定应该成立。 3、在高斯-马尔科夫假定中，我们要求误差项是序列无关与同方差的。现在，我们施加更强的假定，即误差项服从正态分布，即。应该注意到，当误差项服从正态分布时，序列无关与独立性是等价的。因此，我们可以把上述分布假设写为：，即误差项服从独立同正态分布。与高斯-马尔科夫假定一起，被称为经典线性模型假定。在经典线性模型假定下，可以证明，OLS估计量是方差最小的无偏估计量（注意此时不需要把比较范围限制在线性估计量之中，因此该结论比高斯-马尔科夫定理更强。施加更多的假设而得到更强结论，这是非常自然的。 练习：当模型满足经典线性模型假定时，请证明：；。 笔记： 。如果样本容量很大，则根据中心极限定理可知，即使误差项不服从正态分布，但只要误差项独立同分布（这个条件还可以放松），则服从渐进正态分布。由此可见，误差项服从正态分布的作用主要体现在小样本情况下保证参数的OLS估计量服从正态分布。 如果服从正态分布，则当理论预言正确时有： 上述这个标准正态分布对于我们确定标准来判定多大的Z值才算接近0是十分关键的。其原因是，对于标准正态分布有： 如果等于1%、5%与10%这些代表小概率的值，则上式意味着，当理论预言正确时，Z值大于 是标准正态分布的第100（1-a/2）百分位数。或者小于是小概率事件。于是我们就把与作为标准或者临界值，如果Z值大于或者小于，则我们认为Z值与0有显著差异。反之，如果Z值落在与之间，则我们认为Z值与0无显著差异。 是标准正态分布的第100（1-a/2）百分位数。 笔记： 1、多小的概率才算小概率呢？尽管人们把1%、5%与10%这些值作为小概率值的代表，但关于小概率标准的认定实际上是无统一意见的。 2、如果计算结果表明，Z值大于，则表明，在理论预言为真的情况下，小概率事件发生了。小概率事件是不容易发生的事件，现在居然发生了，因此我们有理由怀疑理论预言的正确性。 3、案例：我预先认为某一个同学十分优秀。优秀学生某一次考试考砸了非常正常，然而连续十次考试考砸应该是小概率事件。如果我预先所