模型设定课件.pptVIP

*影響OLS估計量對奇異樣本數據很敏感。殘差不再具有正態性。*t值（32.5819）17.0191N＝80剔除奇異樣本數據後:t值（45.5700）24.5884N＝79舉例：原數據的OLS估計的結果為：*如圖：奇異樣本點位於回歸線右下方，樣本回歸線斜率減小，截距增大*模型設定*§5.1計量經濟學模型的設定偏誤一、模型設定偏誤如果所建立的計量經濟學模型與真實的經濟關係不一致，模型就出現了所謂的“設定偏誤”。對於正確設定的模型，一個最基本的資訊是：其參數估計值的符號必須與理論預期或基於現實觀察的經驗預期相一致。*消費函數：Ct為消費支出，Yt表為收入——凱恩斯的絕對收入假定模型假定邊際消費傾向不變：考慮到邊際消費傾向遞減：(5.1.1)(5.1.2)或(5.1.3)——基於預期因素的模型(5.1.4)二、模型設定偏誤的類型*設定偏誤主要有兩個來源：不適當的解釋變數：漏掉了必要的解釋變數或包含了不必要的解釋變數。不適當的函數形式。*§5.2模型設定偏誤的後果一、模型擬合不足如果模型中漏掉了必要的解釋變數，稱之為模型擬合不足。若消費函數的“真實”的模型是（5.1.4），而選擇了模型（5.1.1）（5.1.1）（5.2.1）問題：誤差並不是真正的隨機誤差，它包含遺漏解釋變數的影響*後果：現有解釋變數係數的OLS估計量是有偏的、非一致的。如果解釋變數之間相關，會導致現有解釋變數與擾動項相關，表現出內生性。影響：遺漏的解釋變數對被解釋變數的部分影響由現有解釋變數來解釋。表現：*問題的一般化：如果“真實”的模型為：（5.2.2）卻被錯誤地設定為：（5.2.3）則：其中：是和樣本相關係數的函數。和有相同的符號。=0時，=0。（5.2.4）*其他影響：由於擬合不足模型的誤差項不是真正的隨機誤差項，我們對的估計也是錯誤的。對參數估計量方差的估計也是有偏的。基於參數的置信區間和顯著性檢驗很可能產生誤導性的結論。*二、模型過度擬合如果模型包含了多餘的解釋變數，稱之為模型過度擬合。如果“真實”的消費函數模型應該是（5.1.1），但我們卻選擇了模型（5.1.4）：（5.1.4）（5.2.5）問題：估計了一個不需要估計的參數模型（5.1.4）的誤差項實際上是真正的誤差項減去，即：*具體影響：誤差項滿足經典假定，模型的參數估計量是無偏的。問題本質：估計了一個實際上不必估計的參數不會導致誤差項與解釋變數之間相關，不影響參數OLS估計量的無偏性。擬合過度模型OLS估計量的方差會增大：多餘的解釋變數和模型中必要的解釋變數總是存在一定的相關性，部分變化資訊重複。重複資訊的影響難以在解釋變數間準確分解，導致係數估計精度下降。OLS估計量仍然是線性無偏的，但是，估計量的方差會增大，除非多餘解釋變數與其他解釋變數的樣本相關係數為0（在現實中幾乎不可能出現）表現：*消費函數（5.2.6）（5.2.7）其中：是和的樣本相關係數。只要和的樣本相關係數不為0，多餘解釋變數的加入就會導致係數估計量方差的增大。在模型（5.1.4）中，的方差為：在模型（5.1.1）中，的方差為：*其他影響：擬合不足和過度擬合在實證分析中並沒有明顯的優劣差異。由於過度擬合模型的誤差項是真實的隨機誤差項，我們對的估計是正確的。相應地，參數的置信區間和顯著性檢驗仍然有效，但由於估計量的方差增大，統計推斷的精度會下降。*三、不正確的函數形式“真實”的消費函數是（5.1.3），但選擇了模型（5.1.1）或（5.1.2）。——所估計的經濟關係與