总结-单方程模型的诊断与检验幻灯片.pptVIP

二、残差检验 1、异方差性 2、自相关性 三、参数的稳定性 四、变量 1、多重共线性 2、格兰杰（Granger）因果关系 2、格兰杰因果关系检验 自回归分布滞后模型旨在揭示：某变量的变化受其自身及其他变量过去行为的影响。 然而，许多经济变量有着相互的影响关系 格兰杰因果关系检验（Granger test of causality） 对两变量Y与X，格兰杰因果关系检验要求估计: 多元模型：首先进行多重共线性检验，然后视情况对模型修正（处理多重共线性）；再根据数据类型进行其他检验 时间序列数据对象：主要检验自相关性、结构稳定性、格兰杰因果关系 截面数据对象：主要检验异方差性 “正确”模型的解读与应用 模型解释能力 所研究的数量规律 简要结论 政策建议 * 模型的诊断与检验 一、 系数检验： 模型总显著性的F检验、模型单个回归参数显著性的t检验检验若干线性约束条件是否成立的F检验、似然比（LR）检验、 沃尔德（Wald）检验、 拉格朗日乘子（LM）检验 二、残差检验：自相关、异方差 三、 结构稳定性检验：邹（Chow）突变点检验 四、变量：多重共线性、格兰杰（Granger）因果性检验 在建立模型过程中，要对模型参数以及模型的各种假定条件作检验。这些检验要通过运用统计量来完成。 在第2章和第3章已经介绍过检验单个回归参数显著性的t统计量和检验模型参数总显著性的F统计量。 第3章已经简要介绍了检验模型若干线性约束条件是否成立的F检验以及Granger非因果性检验。 在第4章介绍了模型误差项是否存在异方差的Durbin-Watson检验、White检验；模型误差项是否存在自相关的DW检验；多重共线性检验。 模型的诊断与检验 1 模型总显著性的F 检验 以多元线性回归模型，yt = ?0+?1xt1+?2xt2+…+?k xt k+ ut为例， 原假设与备择假设分别是 H0：?1= ?2 = … = ?k = 0； H1：?j不全为零 在原假设成立条件下，统计量 其中SSR指回归平方和；SSE指残差平方和；k+1表示模型中 被估参数个数；T 表示样本容量。判别规则是， 若 F ? F? (k,T-k-1)，接受H0； 若 F F? (k,T-k-1) , 拒绝H0。 （详见第3章） 2 模型单个回归参数显著性的t 检验 3 检验若干线性约束条件是否成立的F 检验 5沃尔德（Wald）检验 6 拉格朗日乘子（LM）检验 拉格朗日（Lagrange）乘子（LM）检验只需估计约束模型。所以当施加约束条件后模型形式变得简单时，更适用于这种检验。 LM乘子检验可以检验线性约束也可以检验非线性约束条件的原假设。 对于线性回归模型，通常并不是拉格朗日乘子统计量（LM）原理计算统计量的值，而是通过一个辅助回归式计算LM统计量的值。 6 拉格朗日乘子（LM）检验 LM检验的辅助回归式计算步骤如下： (1) 确定LM辅助回归式的因变量。用OLS法估计约束模型，计算残差序列，并把作为LM辅助回归式的因变量。 (2) 确定LM辅助回归式的解释变量。例如非约束模型如下式, yt = ?0 + ?1 x1t + ?2 x2 t +… + ?k xk t + ut 把上式改写成如下形式 ut = yt - ?0 - ?1 x1t - ?2 x2 t -… - ?k xk t 则LM辅助回归式中的解释变量按如下形式确定。 - , j = 0, 1, …, k. 对于非约束模型（26），LM辅助回归式中的解释变量是1, x1t , x2t , …, xk t 。第一个解释变量1表明常数项应包括在LM辅助回归式中。 6 拉格朗日乘子（LM）检验 (3) 建立LM辅助回归式， = ?? + ?1 x1t + ?2 x2 t + … + ?k xk t + vt , 其中由第一步得到。 (4) 用OLS法估计上式并计算可决系数R 2。 (5) 用第四步得到的R2计算LM统计量的值。 LM = T R 2 其中T表示样本容量。在零假设成立前提下，TR 2 渐近服从m个自由度的 ?2(m) 分布，(m) LM = T R 2 ? ?2 (m) 其中m表示约束条件个数。 6 拉格朗日乘子（LM）检验 （第3版267页） 1、邹氏参数稳定性检验 建立模型时往往希望模型的参数是稳定的，即所谓的结构不变，这将提高模型的预测与分析功能。如何检验？ 假设需要建立的模型为 在两个连续的时间序列（1,2,…，n1）与（n1+1,…，n1+n