Hausman检验与模型选择统计量(doc7页)全面版.docxVIP

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，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，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，则  H 检验统计量为一个  Wald 统计量： 可以证明得到。则 H (bIV bLS ) [ Est.AsyVar. (bIV ) Est. AsyVar. (bLS )] 1 (bIV bLS ) 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 RSSei2 将减小， 1 1 拟合优度 R2 增加，但自由度减少。 R2 和指标 ei2 2 的提出都是为了权衡 n k RSS ei2 减小和自由度丢失两个方面，是模型选择中最常用的标准。 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。 1 2k n 1 SGMASQ 1 k 1 ei2 HQ ei2 ln n n n n 2k 1 2 2k 1 1 2 AIC e n RICE n ei 1 n ei n FPE n k 1 ei2 SCHWARZ k 1 ei2 n n n k n n 2 n 2k 1 GCV 1 k 1 ei2 SHIBATA ei2 n n n n 理想情况是，我们所设定的模型，在上述各科统计量中，与其他模型相比 较，有着较小的检验统计值。换言之，模型选择的标准为，上述各个模型选择统 计量具有较小的统计值。各个统计量的推导不作要求。 思考题 1、假设真实的模型为： y X1 1 X 2 2 ，若遗漏变量 X 2 ，讨论 1 估 计量的无偏性。若我们关心的不是回归参数，而是 y 的预测值，遗漏变量 X 2 是 否带来偏误？若 E[ X 2 | X1] 是 X1 的线性函数，结论是怎样的？ 2、证明：有约束的 R2 统计量绝不会比无约束的 R2 统计量大，加入约束条 件不能提高模型的拟合优度。 （提示：从 RSS 入手。） 3、 y 对一个常数、 x1 和 x2 的多元回归结果如下： y 4 0.4x 0.9x ， R2 ＝8/60， e e 520 ， n 29 1 2 29 0 0 XX 0 50 10 0 10 80 模型满足古典的假设条件，根据这些结果，检验两个斜率之和为 1 的假设。 Wald 检验、拉格朗日乘数检验和似然比检验基本思路： （1）沃尔德检验 对于回归模型的参数约束而言，可以是线性约束也可以是非线性约束。 设 H 0 : c β 0 ， H1 : c β 0 ? a 2 T 1 β N 0, X X 采用 ML 估计，有： β ML ? 1 ? ? a c β T c β c β N 0, ML X X ML 则： c β ?T ? ML β β ML ML 故当 H 0 : c β 0 成立时，有： ? T ? 0 c ? 0 W c β 0 Var c β β ML ML ML T ? ? c β T 1 c β ? a2 ? ML X X ML r c β0 ?T ? c β0 ML ML β β ML ML Wald 检验统计量为： W (c[ ] q)T (Var (c[ ] q))( c[ ] q) 其中， ? 是无约束条件下的参数估计向量。 θ 在?和大样本条件下， W 遵从自由度等于约束个数的卡方分布。 H 0 : c θ q ? 0