计量经济学普通最小二乘法的假设检验.pptVIP

第二步：估计不受约束模型： 得到残差平方和RSSur； F检验 它与RSSr相比谁大，为什么？ F检验 第三步：定义F统计量： 在经典线性模型假定假定下及其原假设下，该统计量服从分布。在这里，dfr是估计受约束模型时所得到的残差的自由度；dfur是估计不受约束模型时所得到的残差的自由度。 F统计量服从F分布： 如果原假设为真，即我们所施加的约束是正确的，那么，尽管RSSrRSSur，但RSSr与RSSur应该相差不多，因此，如果相差很大，那么我们就应该怀疑原假设了！由于RSSr与RSSur与被解释变量的测度单位有关，因此，我们把两者的差距除以RSSur，以使其“无单位化”。 F检验 一个直觉是当F值远大于零时我们应该拒绝原假设。多远才算远？ 拒绝域：给定显著性水平a,设定临界值 当我们依据样本所得到的F值落在 时，我们说“在a显著水平下拒绝原假设”。 当我们依据样本得到F值时，我们也能够依据F分布表计算，计量软件包在F值后所给出的P值正是这个概率。 F检验 F统计量还被可以改写为所谓的R2形式。 F检验 练习题： 证明：如果我们要检验所有的解释变量的联合显著性，那么F统计量等于 变形可得 t检验与F检验的联系与区别 联系 区别 t检验关注的单个参数的取值问题，如果需要同时关注多个参数的取值问题，那么此时我们应该利用F检验。 单个变量显著并不意味着变量联合显著，反之亦然。 多元线性回归模型矩阵表示 为什么要引入多元线性回归模型 目标：分析受教育程度对工资收入的影响 简单回归能实现目标吗？ 多元线性回归模型的一般形式 偏回归系数（partial regression coefficients） 多元线性回归模型的矩阵表示 多元线性回归模型的OLSE表达式 参数的OLSE的统计性质 1. 线性 ： 2. 无偏性 3. 有效性 作业 P56：5，6，9 * 一个服从卡方分布的随机变量其期望值等于自由度。 * 1、假设误差项服从正态分布的合理性在于，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。当然，这并不意味着用正态分布来近似误差项的分布总是恰当的，例如，各因素或许并不同分布。另外，如果y是价格这样的变量，那么假设误差项服从正态分布是不合理的，因为价格不可能是负数，不过我们可以进行变量变换，例如对价格取自然对数或者考察价格的变化率，那么经过变量变换之后，或许再假设误差项服从正态分布就变得合理了。 如果能够对误差项是否服从正态分布进行检验，那最好不过了。一种常用的检验方法是Jarqe-Bera检验，这可以参见相关的教科书。问题是，尽管我们能观察到解释变量、被解释变量的取值，然而，由于对参数的真实取值无法确定，因此误差是观测不到的，我们或许不得不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，我们对参数的估计是合理的。 　设随机变量X1，X2，......Xn，......相互独立，服从同一分布，且具有数学期望和方差：E（Xk）=μ，D（Xk）=σ^20(k=1,2....),则随机变量之和的标准化变量的分布函数Fn（x）对于任意x满足limFn（x）=Φ（）　其中Φ(x)是标准正态分布的分布函数。 * 为什么当统计量值落在拒绝域之外时我们说“不拒绝原假设”而不是说“接受原假设”？其解释是：我们可以作出很多的原假设，例如或者而我们所计算出来的一些统计量值恰好都落在之外，难道我们既接受也接受？显然更恰当的表达方式是，即不拒绝也不拒绝。 2、“接受原假设”没有留有余地，而“不拒绝原假设”表明我们的结论是留有余地的，即，在另外的原假设下也可能不拒绝。“接受备择假设”留有余地吗？应该注意到，备择假设是，因此，即使说“接受备择假设”，这也是留有余地的。 3、设定1%、5%或者10%为显著水平显得有点随意，为何不设2%、6%、7%等为显著水平呢？是否可以依据一个更一般的标准来进行假设检验？答案是肯定的，我们可以依据一个更一般的标准来进行假设检验！既然我们已经计算出统计量值，如果z为正，那么根据正态分布表，我们就能够确定的值（如果z值为负，那么我们能够确定的值），我们通常把这个概率值称为伴随概率，简写为P或者Prob.这个概率值很有用处！例如，假定P值是0.062，那么，显然，以任何小于6.2%的概率为小概率标准，我们并不拒绝原假设；以任何大于6.2%的概率为小概率标准，我们拒绝原假设。 4、一个总结：在进行双尾检验时，当P小于给定的显著水平时，那么在给定的显著水平下应该拒绝原假设；反之，则不拒绝原假设。 * 为什么当统计量值落在拒绝域之外时我们说“不拒绝原假设”而