Hausman检验说明[参考].pdfVIP

Hausman 检验 Hausman 检验的基本思想是：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，即Cov X t ,ut  0 ，外生性条件不满足， 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。 我们知道，当Cov X t ,ut  0 ，或者解释变量与随机扰动项同期相关时， 采用工具变量法（IV ）可得到参数的一致估计量；当解释变量与随机扰动项同 期无关时，OLS 估计量为参数的一致估计量。因此，只须检验IV 估计量与 OLS 估计量是否存在显著的差异性，以检验解释变量与随机扰动项是否同期无 关，进而判别模型是否存在着遗漏相关变量的情况。 Hausman 检验在原假设条件下，IV 估计量与LS 估计量都是一致的，而在 备择假设中，只有IV 估计量是一致的。若外生性条件确定满足时，我们更倾向 于使用LS 估计量；而当外生性条件不确定满足时，就需要使用IV 估计量。 令d  b b ，则H 检验统计量为一个Wald 统计量： I V LS H  d [Est.Asy .Var (d )]1d 可以证明得到Asy .Var (d )  Asy .Var (b ) Asy .Var (b ) 。则 I V LS H  (b b ) [Est.Asy .Var (b ) Est.Asy .Var (b )]1(b b ) I V LS I V LS I V LS 若拒绝原假设则需要选用IV 估计量。 模型选择统计量 我们知道，随着模型中变量个数的增加，残差平方和RSS  e2 将减小， i 1 2 2  1 2 2 拟合优度R 增加，但自由度减少。R 和指标n k ei  的提出都是为了权衡   RSS  e2 减小和自由度丢失两个方面，是模型选择中最常用的标准。 i 近年来，若干模型选择的标准相继面世。这些标准所采用的的形式均为残 差平方和与具有惩罚意义的自由度因子（表征模型设定复杂度）的乘积。其中， 赤池（1970，1974）提出了有限预测误差（FPE ）和赤池信息准则(AIC) ；汉南 （Hannan ）和奎因（Quinn ）的HQ 准则；许瓦兹准则（SCHWARZ）；施巴塔 1 / 6 准则（Shibata）；赖斯准则（RICE ）；广义交叉确认准则（GCV ）等。下表是关 于各类不同标准的总结。这些统计量也被称为模型选择统计量。 k 1 1 2k n  1 2     2  ln n e SGMASQ 1   ei  HQ     i   n  n  n 