第七章-模型选择：标准与检验新

第二部分，实际回归分析，违反基本假设：不符合基本假设。(1)模型设置出错。选定模型在(2)分析变量之间具有多重共线性。(3)随机误差项序列具有方差。(4)随机误差项序列具有序列相关性。说明所选模型设置正确，变量之间不存在完整的线性关系，错误项分布是常数，错误项之间不相关的基本假设，基本假设，基本假设，基本假设，选择第7章模型：标准和检查，7.1“好”模型的属性7.2设置误差的类型7.3相关解释变量缺失的模型：太低的管接头模型7.4，相关解释变量模型3360过剩换句话说，必须能够用一个解析的变量解释变量。每个参数只有一个估计值，并且更适合样例数据。参数估计值的符号与经济理论相符，预测值与经验值相符，需要检验模型的有效性。也就是说，预测能力优秀，有7.2设置错误的类型：个，缺少相关变量。请注意，错误的函数格式、变量的测量错误、独立变量的引入、实践中的模型设置错误可能发生在上述原因中的一个或多个。对研究问题的相关理论了解不深，对这方面以前的研究结果不感兴趣，研究中相关数据不足，数据测量错误，设置错误的原因，使用缺少相关变量估计模型的错误称为缺少相关变量错误，将正确的模型设置为Y=B1 X1b3 X2 Y=A1 a2 x1 v，7.3缺少相关变量，缺少说明变量将导致以下结果，(1) x2与x1相关时，缺失变量的模型的最小2倍估计是偏的。指示x1对解析的变数的直接影响，以及对透过x2解析的变数的间接影响。简而言之，x2对解析变量的影响必须反映在x1中。第4章的4.9设置误差与旧时钟拍卖价格和时钟时代、投标人的回归(参见p83)、(2)误差模型的参数估计也不一致。也就是说，参数估计值的平均E(Ai)和相应的理论值Ai不相等。(3)如果X2不与X1相关联，则缺少变量的模型的估计满足偏差和一致性。(4)误差模型的随机误差项方差是实际随机误差方差的部分估计，(5)误差模型的斜率系数方差也是部分估计。(6)典型的置信区间和假设检验过程不再可靠，置信区间扩大，零假设也更经常接受。例如：婴儿死亡率的决定因素，说明的变量：婴儿死亡率(CM)解释变量：人均国民收入PGNP；女性识字率FLR正确模型：上述三个变量模型(CM对PGNP、FLR回归)错误模型：缺少FLR变量的两个变量模型(CM对PGNP回归)结论：不包含女性识字率的双变量模型，错误：缺少变量“女性识字率”对婴儿死亡率的影响因此，如果在错误模型中解释PGNP变量，则省略的变量“女性识字率”将复盖对解释的变量(CM)的影响，因此无法表示PGNP对CM的实际影响。提示：在建立计量经济模型时，为了将相关变量引入模型，需要对研究现象中包含的经济理论有深入的了解。正确设置婴儿死亡率和人均收入女性的识字率为模型：cm=263.6416-0.0056 pgnp-2.2316 FLR错误设置模型：cm=157.4244-0.0114PGNP错误模型表明，人均收入每增加1美元，婴儿死亡率平均减少0.01进行FLR和PGNP回归，可以看到上限结果。FLR=47.5971 0.00256PGNP拔模系数为b32=0.00256，这是精确模型估计的结果。B2=-0.0056，B3=-2.2316，基准(7-3)基准：B2 B3 * b32=-0.0056(-2.2316)* 0.00256=因此，如果错误设置模型中缺少变量FLR，从而忽略了FLR对CM的影响以及FLR对PGNP的影响，则错误设置模型中的变量PGNP只能接受缺少变量FLR对CM的影响。无法表示PGNP对CM的实际影响。包含独立变量错误：使用包含独立分析变量的模型估计的错误。y=0 1x1v (*)设置为正确的模型，但估计无效的模型： y=0 1x12x2 (* *)，如果2=0，则(* *)等于(*)，因此样式(* *)为2第P86，4章中描述的限制最小二乘包含变量：过度拟合模型(与7.4无关)，并且使用OLS方法估计模型y=0 1x12x2可以满足所有经典假设(，(1)OLS估计也不狭隘且一致，但是(4)引入重复解释变量的模型的OLS估计无效，没有最小方差。(2)从错误回归方程中得到的方差估计量，正确的(3)置信区间和假设检验仍然有效，OLS估计是线性无偏估计，但非最优，不再有效。摘要：实例7-2:是，6章中的6.5:食品支出模型包括变量：食品支出解释变量：税后收入(x)，两个变量(d，DX)模型(回归结果：y=1432.577 0.0616)在食品支出模型中，正确引入了说明变量，税后收入x，虚拟变量d食品支出模型引入了虚拟变量d，表明男女食品支出的平均水平(截获)存在差异，但男女食品支出的变化率(倾斜)没有差异。选择错误的函数形式并估计它时发生的错误函数形式错误很容易判断。估计为这个错误的模型参数估计是偏估计。例如，如果“实际”回归函数是生产函数，并且估计线性：则两个参数的经济含义完全不同，通常估计结果不相同。7.5错误函数形式，示例7-3:示例说明，解释变量：美国进出口商品支出解释变量：个人可支配收入(PDI)，年度线性回归模型与代数回归模型获得的参数估计含义完全不同(见教材第170页)，7.6解释变量的测量误差所产生的结果是很严重的。建议使用、工具变量或替代变量。与原始变量x高度相关，但与回归误差项无关，没有测量误差。如果期间变量的定义不同，则必须保证数据的可比性。实际建议：验证解释变量(x)的数据从记录、舍入和缺失错误中尽量准确。模型设置错误的结果，模型设置出错时模型估计的结果有“实际”和偏差。此偏差的性质和程度与模型设定错误的类型密切相关。7.7模型设定错误的检查，7.7.1检查是否有独立变数，t检查和f检查完成。如果在测试的基本思路：模型中意外选择了独立变量，则该系数的true值必须为零。因此，只能测试独立变量系数的显著性。t测试：验证变量是否应包含在模型中。f检查：验证模型中是否必须同时包含多个变量(建议：f检查可以使用有限的最小二乘值并回答模型中是否包含多个变量)。，缺少相关变量，使用错误的函数形式残差图标法，MWD检查(在线性模型和代数模型之间选择)，rachiam检查(RESET检查) (常规设置错误)相关变量可用t检查和f检查引入变量的测量误差建议工具变量或替代变量， (b)循环变化：在模型设置过程中，可能遗漏表示随着时间的推移循环变化的变量；(c)在模型函数格式设置错误中，残差序列可能在正负之间交替变化；图标：在一元回归模型中，实际模型是力函数形式，但选择了线性函数进行回归。在7.7.3线性模型和代数模型之间选择：MWD检查，H0:线性模型：y是x的线性函数，h 13360代数线性模型：y是x(或LnX)的线性函数，线性模型估计，y的拟合值，对数线性模型估计，LnY的拟合值拒绝H1，因为Z2的系数很重要。实际收入支出函数假定为代数线性。根据上述结果，这两种模式都是合理的。7.7.4一般设定错误检查，但更准确、更一般的判断方法是Ramsey于1969年提出的所谓regional errors specification test。基本想法：如果事先知道缺少的变量，只需将此变量引入模型中，估计和测试该参数非零。问题是，在不知道缺少了什么变量的情况下，必须找到替代变量z并详述。RESET检查使用已建立模型的已解析变量y的估计值的第几个平方作为此“替换”变量。(1)估计。首先，我们估计原始模型已获得配合值。(4)检查和判断。只需添加一个“替换”变量即可使用t测试。添加多个替代变量时，可以使用有限最小平方的f测试。(2)研究残差与拟合值的关系，并确定用替代变量获取管接头值的几个幂输入模型。(3)重新估计。引入了“替代变量”的新模型。lazim检查，RESET检查评估，优点：简单易行。缺陷：可用于验证模型设置是否错误，但不能帮助您选择正确的模型。因此，这项检查主要是诊断工具。例：进行了对商品进口的研究，估计了中国商品进口m与GDP的关系，但由于仅GDP就解释了