线性回归模型检验方法拓展-三大检验[参照].pdfVIP

第四章　线性回归模型检验方法拓展——三大检验 作为统计推断的核心内容，除了估计未知参数以外，对参数的假设检验是 实证分析中的一个重要方面。对模型进行各种检验的目的是，改善模型的设定 以确保基本假设和估计方法比较适合于数据，同时也是对有关理论有效性的验 证。 一、假设检验的基本理论及准则 假设检验的理论依据是 “小概率事件原理”，它的一般步骤是 （1）建立两个相对（互相排斥）的假设（零假设和备择假设）。 （2）在零假设条件下，寻求用于检验的统计量及其分布。 （3）得出拒绝或接受零假设的判别规则。 另一方面，对于任何的检验过程，都有可能犯错误，即所谓的第一类错误 P （拒绝H |H 为真）= 0 0 和第二类错误 P （接受H |H 不真）= 0 0 在下图，粉红色部分表示 P （拒绝H |H 为真）= 。黄色部分表示P （接受 0 0 H |H 不真）= 。 0 0 而犯这两类错误的概率是一种此消彼长的情况，于是如何控制这两个概率 使它们尽可能的都小，就成了寻找优良的检验方法的关键。 下面简要介绍假设检验的有关基本理论。 参数显著性检验的思路是，已知总体的分布F (X ,) ，其中 是未知参数。  总体真实分布完全由未知参数 的取值所决定。对 提出某种假设   H :  (H :  或  ,  ) ，从总体中抽取一个容量为n 的样本，确定 0 0 1 0 0 0 一个统计量及其分布，决定一个拒绝域W ，使得P (W)  ，或者对样本观测  0 数据 X P (X W)  。 是显著性水平，即犯第一类错误的概率。  0 既然犯两类错误的概率不能同时被控制 所以通常的做法是，限制犯第一 类错误的概率，使犯第二类错误的概率尽可能的小 即在 P (X W)     0 0 的条件下，使得 P (X W)    0 达到最大，或 1P (X W)    0 达到最小。其中P (X W) 表示总体分布为F (X ,) 时，事件{ X W} 的概率   为零假设集合（ 只含一个点时成为简单原假设，否则称为复杂原假设）。 0 0  为备择假设集合，并且 与 不能相交。由前述可知，当H