计量经济学的各种检验.ppt

经济计量学的一些检验，多重共线性， multiccollenerrityaisesbecausewehavepitionotomanyvariablesathatmeasurething.asthedegreeofmulticolinecreases theegregetration cientssbecomeunstableandthesterderrderrentrotheforthefinitscangwildlyinflated.measure : Vif，tol=1/vif， cond etc .多路复用线性的结果，1 .在存在完全的多路复用线性的情况下，不能确定参数的估计值，估计值的方差变为无穷大。2 .在存在不完全的多路复用线性的情况下，能够估计参数值，但是数值不稳定，方差大。3 .多路复用线性降低了预测的精度，进一步失效了。 增大零假言被接受的可能性(t值减小)时，如果样本的确定系数R-square相对大，并且回归系数具有很小的统计有效性，则检测复共线性的方法(1)在样本的确定系数R-square方法中，所考虑的Theil是复共线效应系数，Theiltestresults，Theiltestresults 另外，多重共线性检查方法(2)辅助回归检查法，在存在多重共线性情况下，至少一个解释变量能够正确或近似地表示为其馀数全部为变量的线性的组合。 对应的检验统计：辅助回归检验结果、Sas结果： Klein经验法则：若有I，则在R(i)-squareR-square被认为多重共线性严重的本例中，x1、x3具有多重共线性。 (3)样本相关系数检验方法，FGtestresults，fg=20.488013401p=0.0001344625； 拒绝零假设，认为存在多重共同线性。 具体来说，这些变量之间存在多重共线性，除了上述的回归辅助的方法以外，还有以下所述的条件数检定和分散膨胀因子法。 多重共线性检验方法： (4)特征量分析法所用检验统计指标； 在第k个变量及其馀数回归的决定系数. VIF10中，具有多重公共线性的TOL=1/VIF； 条件指数：条件数： C20、共线性严重，多重共线性检验与修复，例如：进口总额及3个参数的回归Sas结果为： pearsoncorrelationcoefficients，n=11prob|r| underh 0: rho=0x1x2x3x 11.00000.025258.025359.0001 x 20.025359.03567存储容量0.93990.9171 x 30.997260.035671.0000总消耗| t 主成分回归结果OBS _ model _ _ type _ _ dep var _ _ pcom it _ _ RMSE _ intercept x1 x3y1模型1参数0.48887-10.1280-0.051400.586950.286585-12模型1 ipv ify 10.12 352535253525352535353535353535353535353535353535353535353535353535353535353535353535353 ipcy 10.55001-9.13010.07075280.60 从fy20.2495560.0009950.249171-15模型1 ipcy 21.05206-7.74580.07075328.08285369.10735-1、主成分回归结果输出结果中，可以看出删除第三个主成分(pcomit=1)后的主成分回归方程式这个方程式的系数都有意义，回归系数的方差膨胀系数都小于1.1的主成分回归方程式的均方根误差(_RMSE=0.55 )通常比OLS方程式的均方根误差(_RMSE=0.48887 )大，不太大。、Sas程序、dataex01； inputx1x2x3y labelx1=国内生产总值； labelx2=存储； labelx3=消费量； labely=进口总额； cards； 149.34.2108.115.9161.24.1114.816.4171.53.1123.219.0175.53.1126.919.1132.118.8190.72.2137.720.4202.12.114622.7212.45.6154.126.56 run； proccorrdata=ex01； varx1-x3； run； *岭回归*； proc regdata=ex 01 out est=ex 012图形用户界面； modely=x1-x3/ridge=0.0 to 0.1 by 0.01； 出图/边出图； run； procprintdata=ex012； run； *主成分回归法*； procregdata=ex01outest=ex103； modely=x1-x3/pcom tit=1，2 out Vif； *pcomit表示删除最后一个或两个主要成分，并使用最前面的m-1或m-2主要成分进行回归*； run； procprintdata=ex103； run；Sas计划、/*theiltest*/； procregdata=ex01； equation3:modely=x1x2； equation2:modely=x1x3； equation1:modely=x2x3； run； /*r-.9473； r3s=0.9828*/； datatheil； rsq=0.9919； r1s=0.9913； r2s=0.9473； r3s=0.9828； theil=rsq-(3*rsq-(r1s r2s r3s )； puttheil=； run； /*辅助回归检验法*/； procregdata=ex01； equation3:modelx3=x1x2； equation2:modelx2=x1x3； equation1:modelx1=x2x3； run； /*FGtest*/； procor rdata=ex 01 output=corrnosimple； varx1-x3； run； procprintdata=corr； run； 计算title 相关矩阵行列式的prociml； r=1. 0000.0260.997，0.0260.036，0.91520.63061 ； d=det(R) printd； run； /*d=0.081371*/； title 计算检验统计量及其p值； datafg； n=11； p=3； d=0.081371； fg=-(n-1-1/6 * (2* p5) ) * log (d ) df=p (p-1 )/2； p=1-probchi(fg，df) putfg=p=； run；/* fg=20.488013401 p=0.0001344625，零假设拒绝*/； 检查和修复异方差，OLSEunbiased，inefficienceant； t，Ftestinvalid； forecastaccracydecreased.ifthemodelingwell-fitted thereshouldbenopatterntottheresidualsplottergainstthefittedvalues.ifthevariance -常规thentheresidualvarianceissidtobe heteroscedastic.， 异方差检测therearegegraphicalandnon-gigharchargemethodsfordetectingeteroscedasticity.acommllongusedgigharghichargememodistolthereded pot exp :工作年； exp2=potexp2； union:dummyvariable .收入方程式回归的结果dependen variable : lnwageanalysisfvariancesummersourcedfsquarefvalueprfmodel 412.422363.10555 intercept 10.595110.283492.100.0384 grade 10.0883540.020094.16 fmodel 121.188810.0909070.880.5731错误87878584.11300协议总线5 r-square0. 1079从属主机0.20989 adjr-sq-0.0152 coeff var 160.15281参数化可扩展定时服务器| t | intercept1-0. 0774670.98580-0.080.9374 grade1-0. 012200.12502-0.100.9225端口exp 10.0774840.07188183.2819 exp 21-0.003990.00409-0.970 00.750.4535 grade 210.002200.004250.520.6065 exp 41-3.34378 e-70.00005151-0.220.8256 exp 310.00061700.000141920.430.6648 GX 210.000111 gp1-0.003750.00494-0.760.4498 gu1-0.051370.04040430-1.160.2494 pu10.001930.060610.030.9796 eu1-0. 000221850.00126-0.180.8605，残差项的平方二阶和交叉项回归.1.从左边的结果可以看出，方差假设未被拒绝.2.Procregdata=aa； Modely=x/spec； Run； 你会得到同样的结果。(1)白色检验的特例，(1)回归在ols残差et所估计的干扰误差(1)OLS中选择的解释变量，以及(3)在计算解释平方和(ESS )的零假设下，(4)更简单且渐进地等效的方式，用残差平方直接回归所选择的解释变量零假设(同方差) 以下为dependen variable : rsqsumofmeasurensourceedfquarefvalueprfmodel 121.188810.0909070.880.5731错误87830780.11300已注册工具3 615 r-square 0.1079从属菜单0.20989 adjr-sq-0.0152，BPGtestresults(1)， BPGtestresults(2) dependen variable : rsqadjdjusttanalysisofvariancessummesourcesquarefvalueprfmodel 310.7053153.568051.430.2386错误96239.41166 99250.11531 root MSE 1.57920 r-square 0.0428从属主0.99999 adjr-sq 0.0129 coeff var 157.92443 ess=10.7045， bpgtestresults (3) * ess=5.35 fmodel 30.471600.157201.430.2386错误9610.547980.10987根MSE 0.33147 r-square 0.0428，黄金区域用户端用potexp的值将数据从小到大排列，取前后35个观测值分别回归到. c=30的回归的主要结果：RSS1=6.39573； RSS2=7.2517； RSS2/RSS1=1.13； 而且该比率不明显，如果删除的中间观测值的个数不合适，则无法排除同率差的原始假设，降低效果，一般为观测值个数的1/3 .纠正措施已知的方差形式，1 .广义的最小二乘法(GLS )。 2 .应用于函数型方差的模型转换方法已知方差的函数格式3 .加权最小二乘法(WLS )基本上是模型转换方法。具体而言，采用面板数据参照讲义的示例，增加信息量，以未知方差的形式进行Furnival(1961 ) 不断修改拟合指数，最后提出找到最佳权重(最小化这个指数)，处理盲点robustregression，1 .迭代加权最小二乘法(IRLS )，Neter提出了2中权重函数，HuberandBisquare，但操作ProcNLIN迭代.2.非参数回归. ProcLoess.3.SASv9.0中，ProcrorobustregStata中较好的命令：rreg直接进行鲁棒回归(robust )，采用迭代过程.串相关性OLSEunbiased，bust blueeofthegauss-markovtheremnolongerh