回归模型的设定检验13.pptVIP

模型的设定检验 一、 模型的设定误差分析 二、 模型设定的基本检验 三、 案例分析 一、模型设定误差及其分析 ㈠模型设定偏误的含义 模型设定偏误主要有两大类 : 一是 关于解释变量选取的偏误。 主要包括 漏选 相关变量 和 多选无关变量 二是关于模型函数形式选取的偏误 。 学习中可从如下三个方面来掌握： 1. 遗漏相关的变量 （ omitting relevant variables ） 遗漏相关变量 是指在设定模型时，漏掉了重要 的相关解释变量，而采用这一遗漏了相关变量的模 型进行估计，所带来的偏误就称为 遗漏相关变量偏 误 （ omitting relevant variable bias ）。 这类错误所造成的后果有如下两个方面： ⑴可能会产生部分估计量的有偏，或非一致性； ⑵估计的方差也会产生有偏的情况； 例如： 设正确的模型为 : Y= ? 0 + ? 1 X 1 + ? 2 X 2 + ? 却对： Y= ? 0 + ? 1 X 1 +v 进行回归，得 : ? ? 1 x y ? ? ? x 1 i 2 1 i i 将正确模型的离差形式 : y i ? ? 1 x 1 i ? ? 2 x 2 i ? ? i ? ? 代入到 回归的系数 ? 1 的估计值中有 : ? 1 ? x y ? ? ? x 1 i 2 1 i i x ? ? 1 i ( ? 1 x 1 i ? ? 2 x 2 i ? ? i ? ? ) ? ? 1 ? ? 2 ? x x ? x 1 i 2 1 i 2 i ? x x ( ? ? ? ) ? ? ? x 2 1 i 1 i i 2 1 i 分析上式结果可知： (1) 如果漏掉的 X 2 与 X 1 相关，则上式中的第 二项在小样本下求期望与大样本下求概率极限都 不会为零，从而使得 OLS 估计量在小样本下有偏， 在大样本下非一致 。但是，这会出现多重共线性。 (2) 如果 X 2 与 X 1 不相关，则 ? 1 的估计满足无偏 性与一致性；但是，这时 ? 0 的估计却是有偏的。 随机扰动项的方差估计也是有偏的。 ⑶ α 1 的估计值的方差是 β 1 的估计值的有偏估计， 由 Y= ? 0 + ? 1 X 1 +v 得 : ? 1 ) ? Var ( ? ? 2 2 1 i ? x 而由 Y= ? 0 + ? 1 X 1 + ? 2 X 2 + ? ? ) ? ? 2 Var ( ? 1 得 : 2 ? x ? x 2 1 i ? x 2 2 i 2 2 i ? ( ? x 1 i x 2 i ) ? ? 2 ? x 2 1 i ( 1 ? r 2 x 1 x 2 ) 如果 X 2 与 X 1 相关，显然有 如果 X 2 与 X 1 不相关，也有 ? ) ? 1 ) ? Var ( ? Var ( ? 1 ? ) ? 1 ) ? Var ( ? Var ( ? 1 Why? 2. 无关变量的误选 (including irrevelant variables) 采用包含无关解释变量的模型进行估计带来 的偏误，称为 包含无关变量偏误 （ including irrelevant variable bias ）。 设 Y= ? 0 + ? 1 X 1 +v (*) 为正确模型，但却估计了 Y= ? 0 + ? 1 X 1 + ? 2 X 2 + ? (**) 即设定模型时，多选了一个无关解释变量。 如果 ? 2 =0 ， 则 (**) 与 (*) 相同，因此，可将 ( **) 式视为以 ? 2 =0 为约束的 ( * ) 式的特殊形式。 由于所有的经典假设都满足，因此对 Y= ? 0 + ? 1 X 1 + ? 2 X 2 + ? (**) 式进行 OLS 估计，可得到 无偏 且 一致 的估计量。 注意： 但是， OLS 估计量却不具有最小方差性。 Y= ? 0 + ? 1 X 1 +v 中 X 1 的方差 : ? 1 ) ? Var ( ? ? 2 2 1 i ? x Y= ? 0 + ? 1 X 1 + ? 2 X 2 + ? 中 X 1 的方差 : ? ) ? Var ( ? 1 ? 2 2 x 1 x 2 ? x 2 1 i ( 1 ? r ) ? ) ? Var ( ? ) ? Var ( ? 1 1 当 X 1 与 X 2 完全线性无关时 : ? ) ? Var ( ? ? ) 否则： Var ( ? 1 1 3. 错误的函数形式 (wrong functional form) 当选取了错误函数形式并对其进行估计时，带 来的偏误称 错误函数形式偏误 （ wrong functional form bias ）。容易判断，这