Hausman检验与模型选择统计量(doc7页)全面版.docxVIP

Hausman检验与模型选择统计量(doc7页)全面版 Hausman检验与模型选择统计量(doc7页)全面版 Hausman检验与模型选择统计量(doc7页)全面版 Hausman 检验 Hausman检验的根本思想是： 由于在遗漏相关变量的状况下， 经常以致讲解 变量与随机扰动项出现同期相关性，即，外生性条件不满足，进而使得 OLS 估 计量有偏且非一致。 所以，对模型遗漏相关变量的检验能够用模型可否出现讲解变量与随机扰动项同期相关性的检验来取代。 我们知道，当，或许讲解变量与随机扰动项同期相关时，采用工具变量法 〔 IV 〕可获取参数的一致估计量；当讲解变量与随机扰动项同期没关时， OLS 估计量为参数的一致估计量。 所以，只须检验 IV 估计量与 OLS 估计量可否存在显然的差异性， 以检验讲解变量与随机扰动项可否同期没关， 进而鉴识模型可否 存在着遗漏相关变量的状况。 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。假设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，那么  H 检验统计量为一个  Wald 统计量： 能够证明获取。那么 H (bIV bLS ) [ Est.AsyVar. (bIV ) Est. AsyVar. (bLS )] 1 (bIV bLS ) 假设拒绝原假设那么需要采用 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 减小和自由度丧失两个方面，是模型选择中最常用的标准。 近来几年来，假设干模型选择的标准接踵面世。这些标准所采用的的形式均为残 差平方和与拥有处分意义的自由度因子〔表征模型设定复杂度〕的乘积。其中， 赤池〔 1970，1974〕提出了有限展望误差〔 FPE〕和赤池信息准那么 (AIC) ；汉南 Hannan〕和奎因〔 Quinn〕的 HQ 准那么；许瓦兹准那么〔 SCHWARZ〕；施巴塔准那么〔 Shibata〕；赖斯准那么〔 RICE〕；广义交织确认准那么〔 GCV 〕等。下表是关于各样不同样标准的总结。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 理想状况是，我们所设定的模型，在上述各科统计量中，与其他模型对照 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 计量拥有较小的统计值。各个统计量的推导不作要求。 思虑题 1、假设真实的模型为： y X1 1 X 2 2 ，假设遗漏变量 X 2 ，谈论 1 估 计量的无偏性。假设我们关心的不是回归参数，而是 y 的展望值，遗漏变量 X 2 是 否带来偏误？假设 E[ X 2 | X1] 是 X1 的线性函数，结论是怎样的？ 2、证明：有拘束的 R2 统计量绝不会比无拘束的 R2 统计量大，参加拘束条 件不能够提升模型的拟合优度。 〔提示：从 RSS 下手。〕 3、 y 对一个常数、 x1 和 x2 的多元回概括果以下： 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，依照这些结果，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根本思路： 〔1〕沃尔德检验 关于回归模型的参数拘束而言，能够是线性拘束也能够是非线性拘束。 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 那么： c β ?T ? ML β β ML ML 故当 H 0 : c β 0 建马上，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[