第三单元 虚拟变量与CHOW检验.pptVIP

第三章 虚拟变量与邹检验 虚拟变量； 虚拟变量概念 引入方式 邹检验 概念 检验方法 一、虚拟变量的定义 根据属性类型，构造只取“0”或“1”的人工变量，称为虚拟变量(Dummy Variable)。通常记为 D。 1 男 0 女 含有虚拟变量的模型称为虚拟变量模型。 二、虚拟变量的引入 虚拟变量在模型中可以作解释变量，也可以作被解释变量。一般是作解释变量。虚拟变量的引入有两种基本方式：加法方式和乘法方式。如果虚拟变量只独立线性地影响了因变量，则用加法；如果虚拟变量改变了某个自变量与因变量的关系，则用乘法。 1 反常情况 0 正常情况 Y = b0 + b1 X + b2 D + u 反常情况: Y = (b0 + b2 ) + b1 X + u 正常情况: Y = b0 + b1 X + u 几何意义： 假定?20，则两个函数有相同的斜率，但有不同的截距。意即，男女职工平均薪金对教龄的变化率是一样的，但两者的平均薪金水平相差?2。 可以通过传统的回归检验，对?2的统计显著性进行检验，以判断企业男女职工的平均薪金水平是否有显著差异。 1 反常情况 0 正常情况 Y=b0+b1 X+b11 DX+ u 反常情况: Y = b0 + (b1+ b11)X + u 正常情况: Y = b0 + b1 X + u 这里，虚拟变量D以与X相乘的方式引入了模型中，从而可用来考察消费倾向的变化。 假定E(?i)= 0，上述模型所表示的函数可化为： 市场经济制度假说 假说：市场经济（经济制度）让农民对价格更敏感。 注意:调整后的公式如下： Y=b0+b1Pt+b2Xt+a1(PtDt) xt:其他影响供给的变量。 问： 如果b1不显著，但 a1显著，说明了什么？本题假说是否正确？ 如果上述参数显著性正好相反呢？ 1 反常情况 0 正常情况 Y=b0+b01D+b1 Pt+ b11D Pt 反常情况: Y=(b0+b01)+(b1+b11) X 正常情况: Y = b0 + b1 X 1 t ? t* 0 t t* Y=b0+ b1X+ b2 (X? X *)D 反常情况: Y=b0 ? b2 X *+ (b1+b2) X 正常情况: Y = b0 + b1 X 三、模型中引入虚拟变量的作用 1、分离异常因素的影响 2、检验不同的属性类别因素对因变量的影响 3、提高模型的精度 四、虚拟变量设置的原则 在模型中引入多个虚拟变量时，虚拟变量的个 数应按下列原则确定：如果有 m 种互斥的属性类型，在模型中引入 m-1 个虚拟变量。 如研究季节对销售量的影响 C = b0+ b1 X + a1 D1 + a2 D2 + a3 D3 + u 1 春季 0 其它季节 当心 1 夏季 虚拟变量陷阱 0 其它季节 1 秋季 0 其它季节 五、Chow检验 在现实生活中，有时会由于某些重大的政策和制度变化或偶发事件，导致经济运行机制或行为改变。 不同的经济体制 不同的生产条件 对于计量经济学研究工作来说，这种情况表现为模型的参数发生改变。 如果在样本资料所涉及的期间内发生过这样的情况，那么就有必要检验模型参数的稳定性。 Chow检验考虑样本是否包括了不同质的组，即检验不同组间的参数是否相同。 Chow检验 在EVIWES中，Chow检验有两种不同的方式： 转折点检验(breakpoint test)： 预测检验(forecast test) Chow检验 Chow转折点检验基于这样一种思路： 如果确实存在结构变化，那么分别对结构变化发生前和发生后的子样本数据做回归时得到的残差平方和要小于利用全部样本数据估计模型得到的残差平方和。 这是由于前者允许两个子模型有不同的参数，而后者则令两个时期的参数相同，因而前者通常可以得到对样本数据的较好拟合。 我们将前者称作是无参数限制的模型，后者是有参数限制的模型。 通过比较加上参数约束后是否使残差平方和显著增大，我们可以检验模型是否存在结构变化。 Cho