计量经济学讲义第三讲.docxVIP

浙江工商大学金融学院姚耀军讲义系列

1

第三讲假设检验

一、经典线性模型假定

对于模型yi=β0+β1xi+εi，利用OLS有：

在高斯-马尔科夫假定下，OLS估计量的抽样分布完全取决于误差项的分布。

在高斯-马尔科夫假定中，我们要求误差项是序列无关与同方差的，现在，我们施加更

强的假定，即误差项服从正态分布，即应该注意到，当误差项服从正

态分布时，序列无关与独立性是等价的。因此，我们可以把上述分布假设写为：

εii..dN(0,δ2)，即误差项服从独立同正态分布。为什么要施加更强的假定呢？这是为了进行小样本下的假设检验。εi:N(0,δ2)与高斯-马尔科夫假定一起，被称为经典线

性模型假定。在经典线性模型假定下，可以证明，OLS估计量是方差最小的无偏估计量（注意！此时不需要把比较范围限制在线性估计量之中）。

笔记：

1、假设误差项服从正态分布的合理性在于，误差项是由很多因素构成的，当这些因素是独立同分布时，依照中心极限定理，那么这些因素之和应该近似服从正态分布。当然，这并不意味着用正态分布来近似误差项的分布总是恰当的，例如，各因素或许并不同分布。另外，如果y是价格这样的变量，那么假设误差项服从正态分布是不合理的，因为价格不可能是负数，不过我们可以进行变量变换，例如对价格取自然对数或者考察价格的变化率，那么经过变量变换之后，或许再假设误差项服从正态分布就变得合理了。

2、如果能够对误差项是否服从正态分布进行检验，那最好不过了。一种常用的检验方法是Jarqe-Bera检验，这可以参见相关的教科书。问题是，尽管我们能观察到解释变量、被解释变量的取值，然而，由于对参数的真实取值无法确定，因此误差是观测不到的，我们或许不得不利用残差来代替误差以进行相关的检验。当然，一个前提是残差确实是对误差的良好近似，这进而要求，我们对参数的估计是合理的。

3、根据公式：

考虑x非随机这种简单情况，显然，当样本容量很大时，只要误差项是独立同分布的（并不

需要要假定误差项服从正态分布），那么根据中心极限定理，应该近似服从正态分布。

当然，为了保证误差项的独立性，抽样的随机性十分关键。

二、利用标准正态分布作假设检验

2

假定yi=β0+β1xi+εi是真实模型，当然我们并不知道各参数的真实值是多

少。但某一经济经济理论预言如果你手中掌握一样本，一个问题是，你所掌握

的样本支持这个预言吗？

在经典线性模型假定下，~N(β1,1)或者

其中，

练习：确定的分布。

现在，假设经济理论的预言是正确的，那么针对特定的样本你将得到标准正态分布图横

坐标上的一个点：(—w)/sd()②。

现在来考察标准正态分布。在该分布上，存在对称的两点：z0.025与—z0.025，其中：

Pr(Z≥z0.025)=Pr(Z≤—z0.025)=0.025

如果把概率为5%的事件称为小概率事件，那么，当(—w)/sd()的取值大于

z0.025或者小于—z0.025时，我们认为小概率事件发生了！小概率事件一般是不容易发生

①定义z=(—β1)/sd()，则z就是所谓的z统计量。估计量是

用来估计真实参数的，而统计量是用来做统计推断(或者假设检验）的；统计量是随机的，其分布也被称为抽样分布，针对特定样本，我们得到统计量值，它是非随机的。

②在这里，该式是非随机的，而特别应该注意的是，分子中的是估计值，而分母中的是估计量。估计值的标准差是零！。

浙江工商大学金融学院姚耀军讲义系列

3

的，现在居然发生了，因此，我们应该怀疑上述经济理论所作出的预言。笔记：

另外一种直觉性的解释：当β1=①这个假设为真时，粗略看来，即使估计值与①完全相等不太可能，但估计值应该接近于①。然而我们也要注意到，对β1的估计还存在精确性问题，这通过统计量的标准差体现出来。也就是说，在原假设为真时，即使估计值与①有一定的差异，然而如果sd()较大，那么出现与①的较大

差异也许是正常的。不过总的来看，当原假设为真时，z统计量值是应该接近于0的，这要

么是因为z=(—①)/sd()中的分子确实接近于0，要么是因为尽管与①有一定的差异，但主要是由sd()较大所引起的。当z统计量值与0具有较大差异时，

那么这个假设的真实性是值得怀疑的！

假设检验的正式步骤是：

（1）建立原假设与备择假设：

H0:β1=①H1:β1≠①

笔记：

原假设与备择假设互斥；