经典单方程计量经济学模型：多元回归.pptxVIP

第十三章计量经济建模:

模型设定和诊断检验如何去发现一个”正确”的模型?在实践中容易遇到哪些类型的模型设定误差?设定误差的后果有哪些?如何发现设定误差?怎样补救?有哪些补救措施?如何评价几个表现不相上下的备选模型?

数据的容纳性:从模型作出的预测必须有逻辑上的可能性。01回归元的弱外生性:回归元必须与误差项不相关。03表现出数据的协调性:从模型中估计的残差必须完全随机。05与理论一致，即必须有好的经济含义。02表现出参数的不变性(即稳定性)。04模型有一定的包容性:其它模型都不可能再改进我们所选定的模型。06一、模型选择准则

设定误差的类型在提出一个经验模型时，很可能会遇到如下一种或多种设定误差：漏掉有关变量；包含了无需变量；采用错误函数形式；测量误差；对随机误差项不正确的设定。

以三变量模型为例，讨论两种设定误差的的形式模型拟合不足（即漏掉有关的变量）2模型拟合过度（即包含了无需变量）三、模型设定误差的后果

模型拟合不足（即漏掉有关的变量）本来模型中应含有k个解释变量，如模型应为：但是在建模时，由于数据不易获得或其它原因，使模型中遗漏了一些变量，如遗漏变量后的模型为：

此时，遗漏变量后的模型的随机误差项实际为：这将对估计结果产生影响。为了分析这种影响，以“正确模型”包括两个解释变量为例，把回归模型改写为离差形式进行分析：和遗漏变量模型010302

对PRF`的估计值为：把PRF中的yi带入，可得到：这说明遗漏变量模型的估计量是真实模型的有偏估计量，且偏误不随样本容量的增大而消失。只有当遗漏变量与解释变量的相关系数为零时，偏误才会消失。

这说明方差的估计也是有偏误的。因此，据此作出的置信区间和假设检验、预测等统计推断也是不可信的。说明性例子：再谈儿童死亡率一例见P479

和包含无需变量模型但是在建模时，模型中增加了不必要的变量：2、包含了不必要的解释变量（模型拟合过度）假定真实模型为：以双解释变量的模型为例，假定

SRF`中的参数OLS估计量为：

通过比较，可看出：含不需要解释变量模型的估计是无偏的，但不具备最小方差性：含不需要解释变量模型的估计参数的方差增大，精度减少。注意：模型拟合不足（即漏掉有关的变量）与模型拟合过度（即包含无需变量）的后果不同。

设定误差的检验检验是否存在无需要的变量根据回归参数的t检验值，对参数进行显著性检验。不显著的解释变量可以从模型中删除。注意：不要反复利用t和F检验，从小模型开始，加入统计上系数显著的变量，逐渐扩大模型，这种建模策略被称为自下而上的方法，或称数据开采法、回归捕捉法、等

（2）德宾-沃森d统计量见书P485－487。(3)拉姆齐的RESET检验见书P487－489。（４）为增补变量的拉格朗日乘数（ＬＭ）检验见书P489。2、对遗漏变量和不正确函数形式的检验介绍常见的一些方法：（1）残差分析见书P485。

模型：（＊）因而：（＊＊）测量误差因变量Ｙ中的测量误差由于因变量Ｙ中的测量误差假定：

（＊）式：（＊＊）式：因此，虽然因变量Ｙ中的测量误差不影响参数估计的无偏性，但所估计的方差却比没有这种测量误差是要大。

解释变量Ｘ中的测量误差假定模型（＊）解释变量的测量误差：（＊＊）

即使假定：序列独立且合成误差项不独立于解释变量Ｘ，因为：这导致：ＯＬＳ估计量不仅是偏误而且是非一致的。另一补救建议：寻找工具或代理变量：即它们与原始Ｘ变量高度相关，却与方程和测量误差（即和）都不相关。例子：见Ｐ４９２。

对随机误差项不正确的设定由于误差项不能直接观测到，所以不容易确定它进入模型的形式。例如：“真实”模型：其中随机误差项以乘积的形式进入回归方程，并且满足CLRM的假设。如果以加法的形式进入回归方程：结果：这时是一个有偏估计量，因为其均值不等于真实的

七、嵌套与非嵌套模型嵌套模型：A：B：称A嵌套B，可以用（t和F)检验是否为嵌套模型非嵌套模型：C：D：或：C：D：或：C：D：称C非嵌套D，下面讨论非嵌套模型的检验．

非嵌套假设的检验根据哈维（Harve