参数的约束检验05演示课件.pptVIP

* 参数的约束及设定检验 一、模型的线性约束检验 二、非线性约束及其估计与检验 三、参数的约束检验程序 一、模型的线性约束检验 ㈠约束的含义及其形式 在建立回归模型时，有时根据经济理论需要对模型中的参数施加一定的约束条件。例如： 需求函数的0阶齐次性条件 生产函数的1阶齐次性条件 线性约束的形式如下： H0: C·?=r；H1: C·?≠r 其中：C=(C0,C1,…Ck)；?=(?0,?1,…,?k)T 例如原模型为： Y=?0+?1X1+?2X2+…+?kXk+? 对该模型施加线性约束如下两个约束： ?1+?2=1; ?k-1=?k 则原模型变为： Y=?0+?1X1+(1-?1)X2+?3X3+…+?k-1Xk+?k-1Xk+? Y-X2=?0+?1(X1-X2)+?3X3+…+?k-1(Xk-1+Xk)+u Y*=?0+?1X1*+?3X3+…+?k-1Xk-1*+u 由此可见两个约束使参数减少了两个。 对于约束的有效性，需进一步进行相应的检验。为此，在同一样本下，记无约束样本回归模型为: Y=XB+E 这是对模型的参数未加任何约束的回归，所以常称为无约束回归(unrestricted regression)。且e’e为无约束样本回归模型的残差平方和，表记为RSSU。 受约束样本回归模型记为: Y=XB*+R 对该施加约束后的模型进行回归，称为受约束回归(restricted regression)。其残差平方和r’r记为RSSR。 ㈡对约束的F检验 于是约束方程的残差及残差平方和分别为： r = Y-XB*=XB+E-XB*=E-X(B*-B) r‘r = e’e + (B*-B)’X’X(B*-B) 可见：e’e ≤ r’r ，即RSSR ≥ RSSU。 由于受约束与无约束模型都有相同的TSS，这意味着，通常情况下，对模型施加约束条件会降低模型的解释能力。但是，如果约束条件为真，则受约束回归模型与无约束回归模型具有相同的解释能力，RSSR与RSSU的差异将很小。 可用RSSR - RSSU的大小来检验约束的真实性。根据数理统计学的知识： RSSU/?2~?2(n-kU-1)和RSSR/?2~?2(n-kR-1) 及(RSSR-RSSU)/?2~?2(kU-kR) 于是有F统计量： 将约束看作是原假设，则如果约束条件无效， RSSR与RSSU的差异较大，计算的F值也较大。即在FFα时，就要否定原约束。 注意kU-kR恰为约束条件的个数。 注：对线性回归方程总体显著性的F检验，就是在H0:?j=0(j=1,2,…,k)约束下进行的。这里受约束回归模型为：Y=?0+r；无约束的方程是Y=XB+E。则对约束进行检验的F统计量为： 这里，运用了ESSR ＝0。 考虑如下两个回归模型： Y=?0+?1X1+?2X2+…+?kXk+? (1式) Y=?0+?1X1+?2X2+…+?kXk+…+?k+qXk+q+? (2式) (1)式可看成是(2)式的受约束回归： H0: ?k+1=?k+2=…=?k+q=0 则相应的Ｆ统计量为： ㈢ 对回归模型增减解释变量的检验 用回归平方和计算有 如果约束条件为真，即额外的变量Xk+1, …, Xk+q对Ｙ没有解释能力，则Ｆ统计量较小； 否则，约束条件为假，意味着额外的变量对Ｙ有较强的解释能力，则Ｆ统计量较大。 因此，可通过F的计算值与临界值的比较，来判断额外变量是否应包括在模型中。 F统计量还可以用可决系数表述为： 二、非线性约束 对模型的参数施加非线性约束(如β1β2=1等)时，使模型变成非线性模型。这时普通最小二乘法已不在适用，必须采用非线性最小二乘法(nonlinear least squares)进行估计。而人们常在大样本情况下采用的相对简单的做法是极大似然估计，并在估计时常采用如下三个以卡方分布为基础的检验： ㈠ 最大似然比检验(LR) ㈡ 沃尔德检验(WD) ㈢ 拉格朗日乘数检验(LM) ㈠ 最大似然比检验(LR) 极大似然比检验(Likelihood Ratio Test)是在使用极大似然法进行估计时，对无约束方程与受约束方程之间的似然函数值的区别是否“足够”大的检验。 记L(β,σ2)为似然函数；L(b,s2)为无约束方程的最大似然函数值；L(a,δ2)为受约束方程的最大似然函数值，约束条件列向量为g(β)；则拉格朗日极值函数为： φ=L(β,σ2)- λ’g(β) 其中λ为拉格朗日乘数列向量，可解决约束方程的求解问题。 同样地，受约束的函数值不会超过无约束的函数值，但如果给出的约束条件为真，则两个函数值就非常“接近”。所以，定义似然比(likelihood ratio)