4.0 经典单方程计量经济学模型.ppt

1、检验是否含有无关变量 检验的基本思想:如果模型中误选了无关变量，则其系数的真值应为零。因此，只须对无关变量系数的显著性进行检验。 t检验：检验某1个变量是否应包括在模型中； F检验：检验若干个变量是否应同时包括在模型中。 2、检验是否有相关变量的遗漏或函数形式设定偏误 残差图示法 残差序列变化图 （a）趋势变化 ：模型设定时可能遗漏了一随着时间的推移而持续上升的变量 （b）循环变化：模型设定时可能遗漏了一随着时间的推移而呈现循环变化的变量 模型函数形式设定偏误时残差序列呈现正负交替变化 图示：一元回归模型中，真实模型呈幂函数形式，但却选取了线性函数进行回归。 一般性设定偏误检验 拉姆齐(Ramsey)于1969年提出的RESET 检验（regression error specification test）。 RESET 检验基本思想： 如果事先知道遗漏了哪个变量，只需将此变量引入模型，估计并检验其参数是否显著不为零即可； 问题是不知道遗漏了哪个变量，需寻找一个替代变量Z，来进行上述检验。 RESET检验中，采用所设定模型中被解释变量Y的估计值?的若干次幂来充当该“替代”变量。 RESET 检验步骤 估计原模型，得到残差和被解释变量的估计量； 根据它们的图形判断应该引入?的若干次幂； 对增加变量的模型进行估计，并进行F检验或者t检验来判断是否增加这些“替代”变量。 RESET检验也可用来检验函数形式设定偏误的问题。 将非线性模型设定为线性可以近似认为遗漏了解释变量的2次、3次项； 引入模型，再进行检验。 RESET 检验例题：对§4.3的美国香烟的人均消费模型进行模型设定的RESET检验。 原模型OLS估计 选择RESET检验 选择引入1个变量 引入1个变量检验结果 在5%显著性水平下，不拒绝原模型与引入新变量的模型可决系数无显著差异的假设，表明原模型不存在设定偏误。 引入2个变量检验结果 不拒绝原模型与引入新变量的模型可决系数无显著差异的假设，表明原模型不存在设定偏误。 如果将原模型设定为直接线性模型，对该线性模型进行模型设定的RESET检验。 直接线性模型的OLS估计 RESET检验 在1%显著性水平下，拒绝原模型与引入新变量的模型可决系数无显著差异的假设，表明原模型存在设定偏误。 5、工具变量法与两阶段最小二乘法 工具变量法估计过程可等价地分解成两个阶段的OLS回归： 第一阶段，用OLS法进行X关于工具变量Z的回归，并记录X的拟合值； 第二阶段，以得到的X的拟合值代替X 作为解释变量，进行OLS回归。 被称为两阶段最小二乘法（two stage least squares, 2SLS）。 可以严格证明： 2SLS与直接采用IV是等价的。 对于一元模型：X为内生变量，Z为工具变量 第1阶段OLS 第2阶段OLS 对于二元模型：X为内生解释变量，Z为外生解释变量，Z1为X的工具变量。 第1阶段OLS 第2阶段OLS 对于二元模型：X为内生解释变量，Z为外生解释变量，Z1和Z2都是X的工具变量。 第1阶段OLS 第2阶段OLS 6、工具变量法与广义矩方法 如果1个内生解释变量可以找到多个互相独立的工具变量，人们希望充分利用这些工具变量的信息，就形成了广义矩方法（Generalized Method of Moments, GMM）。 在GMM中，矩条件大于待估参数的数量，于是如何求解成为它的核心问题。 2SLS是GMM的一种特殊的估计方法，而当一个内生变量只有一个工具变量时所采用的IV，则是2SLS的一个特例。 如果所有解释变量都是外生变量，则OLS法也可看成是IV和GMM的特例。 五、内生性检验与过度识别约束检验 1、Hausman检验 如果δ显著为0→υ与Y同期无关→υ与μ同期无关→ X与μ同期无关→X是同期外生变量； 如果δ显著不为0→ υ与Y同期相关→υ与μ同期相关→X与μ同期相关→ X是同期内生变量。 Z1外生，与μ不相关 选择Z2作为X 的工具变量 采用OLS估计，得到ν的估计植 2、过度识别约束检验 当1个内生解释变量有多于1个的工具变量时，需要对该组工具变量的外生性进行检验，这就是过度识别约束检验（overidentifying restrictions test）。 基本思路是：如果寻找到的工具变量具有外生性，则它们应与原模型中的随机干扰项不同期相关。因此，只需对原模型进行两阶段最小二乘回归（2SLS），将记录的残差项再关于所有工具变量与原模型中的外生变量进行OLS回归，并对该回归中的所有工具变量前的参数都为零的假设进行联合性F检验。 例如：二元线性模型，X为内生解释变量，Z为外生解释变量，Z1、Z2为X的工具变量。 如果J统计量的值大于给定显著性水平