初級(jí)計(jì)量經(jīng)濟(jì)學(xué)課件

初級(jí)計(jì)量經(jīng)濟(jì)學(xué)課件1第1頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月第一部分緒論什么叫計(jì)量經(jīng)濟(jì)學(xué)（Econometrics)？

19世紀(jì)20年代挪威經(jīng)濟(jì)學(xué)家R.Frish將它定義為“經(jīng)濟(jì)理論”、“統(tǒng)計(jì)學(xué)”、“數(shù)學(xué)”三者的結(jié)合。（計(jì)算機(jī)科學(xué)）2第2頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月計(jì)量經(jīng)濟(jì)學(xué)家的榮耀1969年首屆諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)獲得者弗里斯（Frisch)1980年諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)獲得者克萊因(Klein)－計(jì)量經(jīng)濟(jì)學(xué)鼻祖2000年諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)獲得者：

在微觀計(jì)量經(jīng)濟(jì)學(xué)作出杰出貢獻(xiàn)的赫克曼(Heckman)和麥克法登(McFadden)3第3頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月計(jì)量經(jīng)濟(jì)學(xué)家的榮耀最近一屆（2003）諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)獲得者：計(jì)量經(jīng)濟(jì)學(xué)家格蘭杰(Granger)和恩格爾(Engle)半數(shù)以上的諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)授予了在計(jì)量模型上頗有建樹(shù)的經(jīng)濟(jì)學(xué)家，諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)引領(lǐng)經(jīng)濟(jì)學(xué)發(fā)展潮流4第4頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月計(jì)量經(jīng)濟(jì)學(xué)的內(nèi)容體系廣義計(jì)量經(jīng)濟(jì)學(xué)和狹義計(jì)量經(jīng)濟(jì)學(xué)

廣義…是利用經(jīng)濟(jì)理論、數(shù)學(xué)以及統(tǒng)計(jì)學(xué)定量研究經(jīng)濟(jì)現(xiàn)象的方法統(tǒng)稱。（回歸分析、投入產(chǎn)出分析、時(shí)間序列分析等）

狹義…以揭示經(jīng)濟(jì)變量間的關(guān)系為目的，主要應(yīng)用回歸分析方法。單方程模型和聯(lián)立方程模型

對(duì)股票市場(chǎng)的研究VS對(duì)金融市場(chǎng)的研究

5第5頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月計(jì)量經(jīng)濟(jì)學(xué)的內(nèi)容體系線性模型、內(nèi)在線性模型與非線性模型（均從參數(shù)進(jìn)入模型的角度來(lái)定義）

參數(shù)模型、半?yún)?shù)模型和非參數(shù)模型（均從模型的函數(shù)形式是否確定來(lái)定義）6第6頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月計(jì)量經(jīng)濟(jì)學(xué)的內(nèi)容體系因數(shù)據(jù)類(lèi)型差異而導(dǎo)致模型的差異：

a.橫截面數(shù)據(jù)集（cross-sectionaldataset):即給定時(shí)點(diǎn)對(duì)個(gè)人、家庭、企業(yè)、城市、國(guó)家或一系列其他單位采集的樣本所構(gòu)成的數(shù)據(jù)集（應(yīng)該忽略細(xì)小的時(shí)間差別）7第7頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月計(jì)量經(jīng)濟(jì)學(xué)的內(nèi)容體系b.時(shí)間序列數(shù)據(jù)集（timeseriesdataset)：

是由一個(gè)或幾個(gè)變量在不同時(shí)間的觀測(cè)值所構(gòu)成的。c.混合橫截面數(shù)據(jù)（pooledcrosssection):

有些數(shù)據(jù)既有橫截面數(shù)據(jù)的特點(diǎn)又有時(shí)間序列的特點(diǎn)，但每一時(shí)點(diǎn)的樣本不同，通常是分析政府政策效果的有力數(shù)據(jù)8第8頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月計(jì)量經(jīng)濟(jì)學(xué)的內(nèi)容體系d.綜列數(shù)據(jù)（paneldata):

由橫截面數(shù)據(jù)集中每個(gè)數(shù)據(jù)的一個(gè)時(shí)間序列組成。（定點(diǎn)長(zhǎng)期調(diào)查）其他專門(mén)數(shù)據(jù)類(lèi)型：

1、離散數(shù)據(jù)（discretedata):通常在考察個(gè)人或家庭或企業(yè)的決策行為時(shí)，通過(guò)問(wèn)卷調(diào)查獲得，由此發(fā)展出“離散選擇模型”

9第9頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月計(jì)量經(jīng)濟(jì)學(xué)的內(nèi)容體系

2、持續(xù)數(shù)據(jù)（survivaldata):用于考察變量從開(kāi)始到結(jié)束或調(diào)查終止前所經(jīng)過(guò)的時(shí)間長(zhǎng)度，如失業(yè)持續(xù)時(shí)間、罷工持續(xù)時(shí)間、甚至懷孕間隔

3、cohort(一代人)data--為持續(xù)收集特定社會(huì)群體在一段時(shí)間內(nèi)的變化的數(shù)據(jù)。如：調(diào)查七十年代出生的樣本在10年間的汽車(chē)持有率數(shù)據(jù)或就業(yè)率數(shù)據(jù)等。10第10頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月計(jì)量經(jīng)濟(jì)學(xué)的內(nèi)容體系理論計(jì)量經(jīng)濟(jì)學(xué)和應(yīng)用計(jì)量經(jīng)濟(jì)學(xué)：

方法的證明VS方法的應(yīng)用11第11頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月怎樣應(yīng)用計(jì)量經(jīng)濟(jì)學(xué)

《企業(yè)競(jìng)爭(zhēng)力評(píng)估的一個(gè)例子》一、理論模型的設(shè)計(jì)

1。確定模型所包含的變量

2。確定模型的數(shù)學(xué)形式或解決方法12第12頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月怎樣應(yīng)用計(jì)量經(jīng)濟(jì)學(xué)

《企業(yè)競(jìng)爭(zhēng)力評(píng)估的一個(gè)例子》二、樣本數(shù)據(jù)的收集

1。幾類(lèi)常用的樣本數(shù)據(jù)

2。樣本數(shù)據(jù)的質(zhì)量:（研究結(jié)果不能比數(shù)據(jù)的質(zhì)量更好）三、模型參數(shù)的估計(jì)和檢驗(yàn)13第13頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月計(jì)量經(jīng)濟(jì)學(xué)模型成功的三要素理論方法數(shù)據(jù)14第14頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月計(jì)量經(jīng)濟(jì)學(xué)模型的應(yīng)用一、結(jié)構(gòu)分析

當(dāng)一個(gè)變量或幾個(gè)變量發(fā)生變化時(shí)對(duì)其他變量或經(jīng)濟(jì)系統(tǒng)的影響（彈性和乘數(shù)）二、經(jīng)濟(jì)預(yù)測(cè)

如通過(guò)回歸分析總收入和總消費(fèi)之間的關(guān)系，從而在知道一變量數(shù)據(jù)的情況下可以預(yù)測(cè)另一變量的走勢(shì)。15第15頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月計(jì)量經(jīng)濟(jì)學(xué)模型的應(yīng)用三、政策評(píng)價(jià)

建立模型對(duì)政策效果進(jìn)行評(píng)估四、實(shí)證檢驗(yàn)

對(duì)經(jīng)濟(jì)理論的檢驗(yàn)；對(duì)某一行業(yè)如醫(yī)藥衛(wèi)生、農(nóng)業(yè)新方法效果的檢驗(yàn)。16第16頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月課堂小測(cè)試對(duì)“回歸”的認(rèn)識(shí)你所應(yīng)用過(guò)的計(jì)量經(jīng)濟(jì)學(xué)內(nèi)容17第17頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月回歸“回歸”一詞的歷史淵源

加爾頓－回歸到中等（或平均）回歸分析是關(guān)于研究一個(gè)叫做應(yīng)變量的變量對(duì)另一個(gè)或多個(gè)叫做自變量的變量的依賴關(guān)系，其用意在于通過(guò)后者的已知或給定值，去估計(jì)和預(yù)測(cè)前者的（總體）均值18第18頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月幾個(gè)例子

X

Y父親身高與兒子平均身高年齡與平均身高個(gè)人可支配收入與平均消費(fèi)支出壟斷商的定價(jià)與產(chǎn)品平均需求19第19頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月幾個(gè)關(guān)系統(tǒng)計(jì)關(guān)系和確定性（函數(shù)）關(guān)系

計(jì)量經(jīng)濟(jì)學(xué)主要處理的是隨機(jī)（random或stochastic）的應(yīng)變量，也就是有著概率分布的變量，這是一種統(tǒng)計(jì)關(guān)系。也可以從有無(wú)隨機(jī)干擾項(xiàng)的角度來(lái)區(qū)分?；貧w與因果關(guān)系

從邏輯上來(lái)說(shuō)，回歸關(guān)系式本身并不意味著任何因果關(guān)系，因果關(guān)系應(yīng)該來(lái)自統(tǒng)計(jì)學(xué)之外。回歸與相關(guān)關(guān)系

變量是否是確定的；變量之間是否對(duì)稱；相關(guān)系數(shù)度量VS估計(jì)或預(yù)測(cè)應(yīng)變量的平均值20第20頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月術(shù)語(yǔ)應(yīng)變量（Dependent）與自變量（Independent）被解釋變量（Explained）與解釋變量（Explanatory）預(yù)測(cè)子（Predictand）與預(yù)測(cè)元（Predictor）回歸子（Regressand）與回歸元（Regressor）響應(yīng)（Response）與刺激或控制變量（Stimulusorcontrolvariable）內(nèi)生（Endogenous）與外生（Exogenous）21第21頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月線性回歸模型消費(fèi)函數(shù)的一個(gè)例子隨機(jī)干擾項(xiàng)的意義：

1。理論的含糊性（其他因素）

2。數(shù)據(jù)的欠缺（如財(cái)富）

3。核心變量與周邊變量（或上或下的隨機(jī)影響）

4。人類(lèi)行為的內(nèi)在隨機(jī)性

5。糟糕的替代變量（永久消費(fèi)和永久收入）

6。節(jié)省原則（多重共線性的影響）

7。錯(cuò)誤的函數(shù)形式22第22頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月線性回歸模型的假定1。函數(shù)形式：2。干擾項(xiàng)的零均值：3。同方差性：4。無(wú)自相關(guān)：5?；貧w量與干擾項(xiàng)的非相關(guān)：6。正態(tài)性：23第23頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月各種假定的含義干擾項(xiàng)的零均值的意思是凡是模型不顯著含有的并因而歸屬u(mài)的因素，對(duì)y的均值都沒(méi)有系統(tǒng)的影響；正的u值抵銷(xiāo)了負(fù)的u值，以至于他們對(duì)y的平均值的影響為零。24第24頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月各種假定的含義u的同方差性同時(shí)也意味著y的同方差性，即隨著x的變動(dòng)，y的取值的分布是一定的，是分布不變的。25第25頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月各種假定的含義干擾項(xiàng)之間的無(wú)自相關(guān)意味著y的決定與其他期的u值無(wú)關(guān)，即不存在u(t-1)決定u

(t)從而決定y的情況干擾項(xiàng)與自變量之間的非相關(guān)，干擾項(xiàng)本身是獨(dú)立于自變量之外的，且如果干擾項(xiàng)與自變量存在相關(guān)，則不能獨(dú)自說(shuō)明其作用26第26頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月普通最小二乘法總體回歸函數(shù)（PRF)與樣本回歸函數(shù)（SRF)之差的平方和最小為最小二乘法的準(zhǔn)則。27第27頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月估計(jì)參數(shù)的特性最小二乘估計(jì)量的線性和無(wú)偏性質(zhì)所謂線性即估計(jì)量是y的一個(gè)線性函數(shù)所謂無(wú)偏即系數(shù)估計(jì)量的期望等于系數(shù)原值估計(jì)參數(shù)的方差、標(biāo)準(zhǔn)差，協(xié)方差（注意到x的變差越大，則估計(jì)參數(shù)的方差越小）（如果協(xié)方差為負(fù)，那么的過(guò)高估計(jì)意味著

的過(guò)低估計(jì)。28第28頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月高斯馬爾科夫定理在給定經(jīng)典線性回歸模型的假定下，最小二乘估計(jì)量，在無(wú)偏線性估計(jì)量一類(lèi)中，有最小方差，也即BLUE(bestlinearunbiasestimator)最小方差的證明29第29頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月估計(jì)參數(shù)的特性干擾項(xiàng)方差的一個(gè)無(wú)偏估計(jì)量30第30頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月回歸擬合的評(píng)價(jià)Y的總變差是離差的平方和：方差分解：

總平方和＝回歸平方和＋誤差平方和

SST=SSR+SSE決定系數(shù)＝SSR/SST對(duì)單個(gè)估計(jì)系數(shù)的t檢驗(yàn)31第31頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月相關(guān)系數(shù)r相關(guān)系數(shù)相關(guān)系數(shù)是兩個(gè)變量間的線性關(guān)聯(lián)的一個(gè)度量相關(guān)系數(shù)落在[-1,1]間，如果兩變量獨(dú)立，則它們之間的相關(guān)系數(shù)為零，反之不成立32第32頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月蒙特卡羅實(shí)驗(yàn)1。給定25個(gè)X值，給定，的真值，給定零均值的正態(tài)分布隨機(jī)數(shù)25個(gè)，計(jì)算y的25個(gè)值2。利用上述X值和y值做回歸，得出，的估計(jì)值3。給定同一分布的不同隨機(jī)數(shù)取值，重復(fù)上述實(shí)驗(yàn)100次，求得100個(gè)估計(jì)值4。比較100個(gè)估計(jì)值的均值，看是否與，

的真值接近，以此來(lái)求證估計(jì)值的無(wú)偏性33第33頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月正態(tài)性假定我們不僅要用ols法做點(diǎn)估計(jì)，我們還要進(jìn)行假設(shè)檢驗(yàn)(hypothesistesting)，即對(duì)系數(shù)的真值做出推斷，而這需要干擾項(xiàng)的概率分布。從干擾項(xiàng)的概率分布------估計(jì)量的概率分布----------系數(shù)真值的統(tǒng)計(jì)推斷34第34頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月為何是正態(tài)分布而不是其他？原因1：中心極限定理證明，如果存在大量獨(dú)立且相同分布的隨機(jī)變量，那么，除了少數(shù)例外情形，隨著這些變量的個(gè)數(shù)無(wú)限的增大，它們的總和將趨向于正態(tài)分布原因2：中心極限定理的另一解說(shuō)是，即使變量個(gè)數(shù)并不是很大或這些變量還不是嚴(yán)格獨(dú)立的，它們的總和仍可視為正態(tài)分布檢驗(yàn)數(shù)據(jù)是否為正態(tài)分布：KolmogorovD檢驗(yàn)，零假設(shè)為數(shù)據(jù)是均值和方差未知的正態(tài)分布35第35頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月由于正態(tài)性假定而新增的性質(zhì)1。系數(shù)估計(jì)量也是服從正態(tài)分布的(根據(jù)系數(shù)估計(jì)量是y的線性函數(shù)，而y又是干擾項(xiàng)的線性函數(shù))2。Ols的系數(shù)估計(jì)量在整個(gè)無(wú)偏估計(jì)量中，無(wú)論是線性的還是非線性的估計(jì)，都有最小方差(參見(jiàn)Rao的證明)，所以我們說(shuō)最小二乘估計(jì)量是最優(yōu)無(wú)偏估計(jì)量(BUE)36第36頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月由于正態(tài)性假定而新增的性質(zhì)3。遵循n-2個(gè)自由度的卡方分布4。隨著樣本容量無(wú)限地增大，系數(shù)估計(jì)量將收斂于它們的真值(一致性)37第37頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月其他分布卡方分布F分布t分布38第38頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月最大似然法（ML)原則：當(dāng)從總體隨機(jī)抽取n組樣本觀測(cè)值后，參數(shù)估計(jì)量應(yīng)當(dāng)使得從模型中抽取該n組樣本觀測(cè)值(y)的概率最大將樣本觀測(cè)值聯(lián)合概率密度函數(shù)稱為變量的或然函數(shù)(LF)。在已經(jīng)取得樣本觀測(cè)值的情況下，使或然函數(shù)取極大值的總體分布參數(shù)所代表的總體具有最大的概率取得這些樣本觀測(cè)值(y)，該總體參數(shù)即是所要求的參數(shù),即ML估計(jì)量。39第39頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月一個(gè)回歸實(shí)例用SPSS作體重與肺活量的回歸（corr.sav注意預(yù)測(cè)值與殘差）40第40頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月課堂作業(yè)推導(dǎo)一般線性回歸方程的系數(shù)的方差及協(xié)方差證明高斯馬爾科夫定理推導(dǎo)干擾項(xiàng)的方差的一個(gè)無(wú)偏估計(jì)量41第41頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月區(qū)間估計(jì)與假設(shè)檢驗(yàn)估計(jì)與假設(shè)檢驗(yàn)構(gòu)成統(tǒng)計(jì)學(xué)的兩個(gè)主要分支，估計(jì)理論又主要由點(diǎn)估計(jì)與區(qū)間估計(jì)組成?；仡櫼恍└拍睿?/p>

置信區(qū)間、置信系數(shù)、顯著性水平、置信限、置信下限、置信上限42第42頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月回歸系數(shù)的置信區(qū)間回歸估計(jì)量的置信區(qū)間置信區(qū)間的寬度與估計(jì)量的標(biāo)準(zhǔn)誤成正比，即標(biāo)準(zhǔn)誤越大，對(duì)未知參數(shù)的真值進(jìn)行估計(jì)的不確定性愈大。43第43頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月假設(shè)檢驗(yàn)什么是假設(shè)檢驗(yàn)：?jiǎn)柲骋唤o定的觀測(cè)是否與某聲稱的假設(shè)相符，這個(gè)聲稱的假設(shè)叫做虛擬假設(shè)(nullhypothesis)，即，與之相對(duì)的為對(duì)立假設(shè)(maintainedhypothesis)，即假設(shè)檢驗(yàn)就是要設(shè)計(jì)一個(gè)程序用來(lái)決定拒絕或不拒絕虛擬假設(shè)，通常采用兩種互為補(bǔ)充的方法：置信區(qū)間和顯著性檢驗(yàn)44第44頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月置信區(qū)間的方法檢驗(yàn)方法：構(gòu)造一個(gè)參數(shù)的的置信區(qū)間。如果參數(shù)在假設(shè)下落入此區(qū)間，就不拒絕零假設(shè)。但如果它落在此區(qū)間之外，則拒絕零假設(shè)。第一類(lèi)錯(cuò)誤(拒真)：原假設(shè)正確，卻拒絕了

第二類(lèi)錯(cuò)誤(納假)：原假設(shè)不正確，卻接受“統(tǒng)計(jì)上高度顯著”指：當(dāng)拒絕原假設(shè)時(shí)，犯第一類(lèi)錯(cuò)誤的概率是一個(gè)很小的數(shù)，通常小于1%45第45頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月顯著性檢驗(yàn)方法構(gòu)造一個(gè)檢驗(yàn)統(tǒng)計(jì)量，利用該統(tǒng)計(jì)量的分布特征，來(lái)決定是否接受零假設(shè)。通常一個(gè)大的t絕對(duì)值，便是與虛擬假設(shè)相抵觸的跡象單尾檢驗(yàn)46第46頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月一些實(shí)際操作問(wèn)題“接受”和“拒絕”假設(shè)的含義：正如一個(gè)法庭宣告某一判決為“無(wú)罪”(notguilty)而不為“清白”(innocent)

統(tǒng)計(jì)檢驗(yàn)的結(jié)論也應(yīng)為“不拒絕”而不為接受。2-t屈指一算法則:如果自由度>=20且顯著水平定為0.05，則只要t統(tǒng)計(jì)量大于2，就可拒絕“零”假設(shè)(單尾)47第47頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月一些實(shí)際操作問(wèn)題在進(jìn)行調(diào)查研究之前建立假設(shè)而不是相反，以免犯循環(huán)推理(circularreasoning)的錯(cuò)誤P值被定義為一個(gè)虛擬假設(shè)可被拒絕的最低顯著水平，或犯第一類(lèi)錯(cuò)誤的精確概率。由于選擇顯著性水平的武斷性，直接選取p值并決定是否在給定的p值水平上拒絕虛擬假設(shè)會(huì)較好48第48頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月一些實(shí)際操作問(wèn)題區(qū)分統(tǒng)計(jì)上的顯著性和經(jīng)濟(jì)上的顯著性。當(dāng)樣本非常大時(shí)，幾乎任何虛擬假設(shè)都一定會(huì)被拒絕，點(diǎn)估計(jì)的大小成為唯一可研究的問(wèn)題兩種檢驗(yàn)方法的選擇，置信區(qū)間法優(yōu)于顯著性檢驗(yàn)法(點(diǎn)與面之分)49第49頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月一些實(shí)際操作問(wèn)題一點(diǎn)建議：

集中討論系數(shù)的大小并報(bào)告其置信水平，而不去提顯著性檢驗(yàn)。如果全部或幾乎全部虛擬假設(shè)都是錯(cuò)誤的，討論一個(gè)估計(jì)值是否無(wú)異于它在虛擬假設(shè)下的預(yù)測(cè)值，都是無(wú)意義的。

我們更想探明的是什么模型可充當(dāng)良好的逼近式，這就需要知道被經(jīng)驗(yàn)估計(jì)所排斥的參數(shù)值域。50第50頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月回歸分析與方差分析對(duì)SST=SSR+SSE進(jìn)行研究就叫做從回歸的觀點(diǎn)做方差分析(analysisofvarianceANOVA)F檢驗(yàn)：

F檢驗(yàn)主要用在多元回歸問(wèn)題中，對(duì)全部系數(shù)為0做檢驗(yàn)，其對(duì)立假設(shè)為非全部系數(shù)同時(shí)為051第51頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月預(yù)測(cè)問(wèn)題均值預(yù)測(cè)與個(gè)值預(yù)測(cè)置信帶報(bào)告回歸分析的結(jié)果52第52頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月過(guò)原點(diǎn)回歸考慮資產(chǎn)組合理論中的特征線方程：其中為特定資產(chǎn)組合的收益率

為無(wú)風(fēng)險(xiǎn)收益率

為市場(chǎng)組合收益率

為特定資產(chǎn)組合的系統(tǒng)風(fēng)險(xiǎn)53第53頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月課上作業(yè)練習(xí)題：資產(chǎn)組合理論的資本市場(chǎng)線(CML)在期望收益率與總風(fēng)險(xiǎn)(由標(biāo)準(zhǔn)差來(lái)衡量)之間所設(shè)的一個(gè)線性關(guān)系如下：

其中為資產(chǎn)組合的期望收益率

為資產(chǎn)組合的標(biāo)準(zhǔn)差。下表給出1954-1963年間美國(guó)34個(gè)共同基金的期望收益率與標(biāo)準(zhǔn)差數(shù)據(jù)，請(qǐng)檢驗(yàn)這些數(shù)據(jù)是否支持該理論(5%的顯著性水平)54第54頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月回歸模型的函數(shù)形式1。對(duì)數(shù)線性模型(斜率系數(shù)測(cè)度了Y對(duì)X的彈性)2。線性到對(duì)數(shù)模型(斜率系數(shù)測(cè)度了X的絕對(duì)改變量對(duì)應(yīng)的Y的相對(duì)改變量，即增長(zhǎng)模型)3。對(duì)數(shù)到線性模型(斜率系數(shù)測(cè)度了X的相對(duì)改變量對(duì)應(yīng)的Y的絕對(duì)改變量)55第55頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月回歸模型的函數(shù)形式4.倒數(shù)模型(隨著X無(wú)限地增大，(1/X)項(xiàng)趨于零，而Y趨于極限或漸近值)

在菲利普斯曲線中，工資變化對(duì)失業(yè)水平的反應(yīng)中，存在有不對(duì)稱性：當(dāng)失業(yè)率低于經(jīng)濟(jì)學(xué)家所稱的自然失業(yè)率時(shí)，由失業(yè)的單位變化引起的工資上升，要快于當(dāng)失業(yè)率高于自然水平時(shí)，由失業(yè)的同樣變化引起的工資下降。而常數(shù)項(xiàng)系數(shù)表示工資變化的漸近底限。56第56頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月課上作業(yè)恩格爾支出曲線把一個(gè)消費(fèi)者在某一商品上的支出同他的總收入聯(lián)系起來(lái)。令Y=對(duì)某一商品的消費(fèi)支出，X=消費(fèi)者收入，考慮上述5類(lèi)所學(xué)模型，你會(huì)選擇哪個(gè)(些)模型做恩格爾支出曲線，描繪其曲線圖形，并作解釋？(提示：解釋各種斜率系數(shù)，常數(shù)項(xiàng)系數(shù))57第57頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多變量回歸模型三變量模型的符號(hào)與假定：

干擾項(xiàng)零均值

無(wú)序列相關(guān)

同方差性

干擾項(xiàng)與每一X變量之間都有零協(xié)方差

無(wú)設(shè)定偏誤

無(wú)多重共線性58第58頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多變量回歸模型多重共線性初探

1、維恩Venn圖

2、不存在一組不全為零的數(shù)和，使得59第59頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多變量回歸模型OLS估計(jì)量和估計(jì)量的方差、標(biāo)準(zhǔn)誤最小二乘擬合的一些性質(zhì)：殘差和為零，殘差與解釋變量X2和X3均不相關(guān)60第60頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多變量回歸模型OLS估計(jì)量的性質(zhì)：

1。三變量回歸線通過(guò)Y、X2、X3的均值

2。估計(jì)的Y的均值等于真實(shí)Y的均值

3。殘差和等于殘差的均值

4。殘差與X2、X3,Y的估計(jì)值均不相關(guān)

5。自變量X2和X3的相關(guān)系數(shù)朝著1增大，估計(jì)系數(shù)的方差越大(同樣也隨的增大而增大)

6。在經(jīng)典線性模型的假定下，可以證明偏回歸系數(shù)的OLS估計(jì)量是BLUE61第61頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多變量回歸模型ML估計(jì)量：在總體干擾遵循零均值和常數(shù)方差的正態(tài)分布的假定下，ML估計(jì)量和OLS估計(jì)量是相等的，但的ML估計(jì)量始終都是而的OLS估計(jì)量為62第62頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多變量回歸模型復(fù)判定系數(shù)R-square:Y的變異由變量X2和X3聯(lián)合解釋的比例63第63頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多變量回歸模型設(shè)定偏誤初探：所用的回歸模型是否是正確設(shè)定的？一個(gè)三變量回歸的例子----期望擴(kuò)充的菲利普斯曲線a.假定三變量回歸模型正確，檢驗(yàn)錯(cuò)誤設(shè)定的模型(原始菲利普斯曲線)

b.錯(cuò)誤模型的估計(jì)系數(shù)(X2對(duì)Y的總影響=X2對(duì)Y的直接影響+X2對(duì)Y的間接影響64第64頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多變量回歸模型校正的值

原因：值隨著X變量個(gè)數(shù)的增加而增加事實(shí)上，關(guān)于的最重要的事情是，它在經(jīng)典回歸(CR)模型中是不重要的。CR模型是用來(lái)研究一個(gè)總體中的參數(shù)的，它不問(wèn)在一個(gè)樣本中擬合的好壞，…如果人們堅(jiān)持要有對(duì)預(yù)測(cè)成功有一個(gè)度量，那么有了標(biāo)準(zhǔn)誤也許足夠了，因?yàn)樗鼘?duì)于適當(dāng)取定的X值來(lái)說(shuō)，對(duì)于參數(shù)估計(jì)來(lái)說(shuō)，是富有信息的。65第65頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多變量回歸模型簡(jiǎn)單相關(guān)系數(shù)：r12(Y與X2之間的相關(guān))，r13(Y與X3之間的相關(guān))，r23(X2與X3之間的相關(guān))偏相關(guān)系數(shù)：r12.3(X3保持不變下的Y和X2的偏相關(guān)系數(shù))，r13.2(X2保持不變下的Y和X3的偏相關(guān)系數(shù))，r23.1(Y保持不變下的X2和X3的偏相關(guān)系數(shù))X3保持不變下的Y和X2的偏相關(guān)，就是從Y對(duì)X3回歸和從X2對(duì)X3回歸分別得到的殘差之間的簡(jiǎn)單相關(guān)系數(shù)。66第66頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多變量回歸模型偏相關(guān)系數(shù)的一個(gè)例子：

令Y=農(nóng)作物收成；X2=雨量；X3=氣溫

假定r12=0,即農(nóng)作物收成和雨量沒(méi)有關(guān)聯(lián)

再假定r13是正的，r23是負(fù)的，這時(shí)r12.3將是正的；就是說(shuō)，在氣溫保持不變的情況下，收成和雨量有正的關(guān)聯(lián)。67第67頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多變量回歸模型關(guān)于多項(xiàng)式回歸模型：

并不違反無(wú)多重共線性假定

無(wú)需提出新的估計(jì)問(wèn)題68第68頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多變量模型之時(shí)間變量需要考慮有關(guān)時(shí)間變量的3種情況：

1。發(fā)現(xiàn)應(yīng)變量怎樣在時(shí)間上變動(dòng).

2。常常用來(lái)代替一個(gè)影響著因變量的基本變量。（如生產(chǎn)函數(shù)中的技術(shù)常用時(shí)間來(lái)代替）

3。引進(jìn)時(shí)間變量以避免謬誤相關(guān)69第69頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月課堂練習(xí)用回歸模型研究過(guò)去幾年的個(gè)人消費(fèi)支出的行為，數(shù)據(jù)見(jiàn)EXCEL表格,要求去除時(shí)間因素對(duì)個(gè)人消費(fèi)支出和個(gè)人可支配收入的影響70第70頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多變量回歸的假設(shè)檢驗(yàn)如果我們僅是對(duì)回歸模型的參數(shù)作點(diǎn)估計(jì)，那么并不需要有關(guān)干擾項(xiàng)概率分布的任何假定，而如果涉及到假設(shè)檢驗(yàn)，則要假定干擾項(xiàng)服從某個(gè)概率分布。71第71頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多變量回歸的假設(shè)檢驗(yàn)總論1。檢驗(yàn)關(guān)于個(gè)別偏回歸系數(shù)的假設(shè)（t檢驗(yàn)）2。檢驗(yàn)所估計(jì)的多變量回歸模型的總顯著性（F檢驗(yàn)）3。檢驗(yàn)兩個(gè)或多個(gè)系數(shù)是否相等（t檢驗(yàn)）4。檢驗(yàn)諸回歸系數(shù)是否滿足某種線性約束條件（t檢驗(yàn)）5。檢驗(yàn)所估計(jì)的回歸模型在時(shí)間上或在不同橫截面單元上的穩(wěn)定性（鄒檢驗(yàn)）6。檢驗(yàn)回歸模型的函數(shù)形式72第72頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月鄒至莊檢驗(yàn)的過(guò)程鄒檢驗(yàn)基本假定：第1、2個(gè)方程的干擾項(xiàng)獨(dú)立同正態(tài)分布，即均值都為0，方差都為1。合并全部n1和n2次觀測(cè)值，用以估計(jì)第3個(gè)方程并獲得它的SSE，記作s1,其自由度為（n1+n2-k)，其中k為所估參數(shù)的個(gè)數(shù)（包括截距項(xiàng)）2。分別估計(jì)第1、2個(gè)方程并獲得它們的SSE，分別記作s2和s3,其自由度分別為(n1-k)和（n2-k)。記s4=s2+s3，其自由度為（n1+n2-2k)73第73頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月鄒至莊檢驗(yàn)的過(guò)程3。求出s5=s1-s44。在鄒檢驗(yàn)的基本假定下，可證明F值

遵循自由度為(k,n1+n2-2k)的F分布5。如果F值大于選定顯著性水平的臨界F值，則拒絕結(jié)構(gòu)穩(wěn)定性假設(shè)。74第74頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月鄒至莊檢驗(yàn)的直觀理解直觀上，如果兩個(gè)時(shí)期的回歸方程并無(wú)結(jié)構(gòu)上的區(qū)別，則兩個(gè)時(shí)期的回歸方程的殘差平方和之和應(yīng)該和整個(gè)時(shí)期的回歸方程的殘差平方和相等，而如果兩者相差很大，則我們可以構(gòu)造F檢驗(yàn)來(lái)檢驗(yàn)結(jié)構(gòu)的差異75第75頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月檢驗(yàn)回歸的函數(shù)形式MWD檢驗(yàn)（麥金農(nóng)，懷特，戴維森）：在線性與對(duì)數(shù)－線性回歸模型之間進(jìn)行選擇

步驟1：估計(jì)線性模型并獲得Y的估計(jì)值，記為Yf

步驟2：估計(jì)對(duì)數(shù)－線性模型并獲得lnY的估計(jì)值，記為lnf

步驟3：算出Z1=(lnYf-lnf)

步驟4：做Y對(duì)諸X和得自步驟3的Z1的回歸。如果按通常的t檢驗(yàn)Z1的系數(shù)是統(tǒng)計(jì)上顯著的，就拒絕H0（H0：線性模型是合適的）76第76頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多變量回歸的其他問(wèn)題用多變量回歸做預(yù)測(cè)假設(shè)檢驗(yàn)三聯(lián)體：似然比（LR），瓦爾德（Wald，簡(jiǎn)記W）與拉格朗日（Lagrange)乘數(shù)（LM）檢驗(yàn)只在非線性回歸模型或大樣本環(huán)境下有更高的效率麥金農(nóng)，戴維森語(yǔ)：對(duì)于線性回歸模型，不管它的誤差是或不是正態(tài)分布的，當(dāng)然都不需要過(guò)問(wèn)LM，W和LR，因?yàn)槲覀儾荒軓倪@些統(tǒng)計(jì)量得到任何不為F所含的信息77第77頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月線性模型的矩陣表示78第78頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月線性模型的矩陣表示79第79頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月回歸模型假定的矩陣表示80第80頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月干擾項(xiàng)的方差協(xié)方差矩陣81第81頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月最小二乘法的矩陣表示82第82頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月放寬經(jīng)典模型的假定全部11個(gè)假定：假定1：回歸模型對(duì)參數(shù)而言是線性的

假定2：諸回歸元X的值在重復(fù)抽樣中是固定的

假定3：對(duì)給定的X，干擾項(xiàng)的均值為零

假定4：對(duì)給定的X，干擾項(xiàng)的方差不變或有同方差性

假定5：對(duì)給定的X，干擾項(xiàng)無(wú)自相關(guān)83第83頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月放寬經(jīng)典模型的假定假定6：如果X是隨機(jī)的，則干擾項(xiàng)與諸X是獨(dú)立的或至少是不相關(guān)的。

假定7：觀測(cè)次數(shù)必定大于回歸元的個(gè)數(shù)

假定8：回歸元的取值必須有足夠的變異性

假定9：回歸模型是正確設(shè)定的

假定10：回歸元之間無(wú)準(zhǔn)確的線性關(guān)系假定11：隨機(jī)（干擾）項(xiàng)是正態(tài)分布的84第84頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月應(yīng)用經(jīng)典線性模型的主要問(wèn)題第1類(lèi)：關(guān)于對(duì)模型設(shè)定和對(duì)干擾項(xiàng)的假定問(wèn)題（1、2、3、4、5、9和11）第2類(lèi)：對(duì)數(shù)據(jù)的假定問(wèn)題（6、7、8和10），此外，異常值（outliers）問(wèn)題和測(cè)量誤差等也可歸屬此類(lèi)。85第85頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月不去深究的某些假定的原因假定1：對(duì)參數(shù)為線性的回歸模型

原因1：對(duì)參數(shù)為線性的模型，應(yīng)用于許多經(jīng)驗(yàn)現(xiàn)象中是相當(dāng)成功的；

原因2：有時(shí)這種模型是更為復(fù)雜的非線性回歸模型的初次近似86第86頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月不去深究的某些假定的原因假定2和6：固定的回歸元和隨機(jī)的回歸元

原因1：經(jīng)濟(jì)學(xué)不同其他實(shí)驗(yàn)科學(xué)，經(jīng)濟(jì)學(xué)更多依賴于第二手材料（如政府或私人機(jī)構(gòu)收集的數(shù)據(jù)），因此，即使變量本身實(shí)質(zhì)上也許是隨機(jī)的，我們也假定變量值是固定的；

原因2：因?yàn)楦蓴_項(xiàng)是隨機(jī)的，而如果X也是隨機(jī)的，則我們必須明確X的分布和干擾項(xiàng)的分布是獨(dú)立的，才不致改變OLS的優(yōu)良性質(zhì)與估計(jì)的可行性87第87頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月不去深究的某些假定的原因假定3：干擾項(xiàng)的零均值

原因：干擾項(xiàng)的其他均值會(huì)導(dǎo)致截距項(xiàng)估計(jì)的有偏性假定11：干擾項(xiàng)的正態(tài)性

做假設(shè)檢驗(yàn)時(shí)在大樣本和正態(tài)性之間的取舍，也就是說(shuō)，如果正態(tài)性得不到滿足，那么則要求有大的樣本支持。

原因：中心極限定理（如果干擾項(xiàng)是獨(dú)立同分布的，并有零均值和不變方差，而X是非隨機(jī)的，則OLS系數(shù)估計(jì)量是漸近正態(tài)分布的，且無(wú)偏，也就是說(shuō)t和F檢驗(yàn)仍漸近有效）88第88頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多重共線性與微數(shù)缺測(cè)性（micronumerosity)嚴(yán)格地說(shuō)，多重共線性即指存在有1個(gè)以上的準(zhǔn)確線性關(guān)系；而共線性是指存在1個(gè)線性關(guān)系；但在實(shí)踐中很少區(qū)分。完全共線性：其中為常數(shù)，但不同時(shí)為0

欠完全共線性：

其中為常數(shù)，但不同時(shí)為0

為隨機(jī)誤差項(xiàng)89第89頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多重共線性與微數(shù)缺測(cè)性如果多重共線性是完全的，那么諸X變量的回歸系數(shù)是不確定的，并且它們的標(biāo)準(zhǔn)誤為無(wú)窮大；如果多重共線性是欠完全的，那么，雖然回歸系數(shù)可以確定，卻有較大的標(biāo)準(zhǔn)誤（相對(duì)于系數(shù)本身來(lái)說(shuō)），意思是系數(shù)不能以很高的精確或準(zhǔn)確度來(lái)估計(jì)微數(shù)缺測(cè)性問(wèn)題即指假定7觀測(cè)次數(shù)必須大于回歸元個(gè)數(shù)的問(wèn)題，和假定8回歸元的取值必須有足夠的變異都是對(duì)多重共線性假定的補(bǔ)充。90第90頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多重共線性的來(lái)源1。數(shù)據(jù)采集所用的方法。例如，抽樣限于總體中諸回歸元所取值的一個(gè)有限制的范圍內(nèi)。2。模型或從中取樣的總體受到約束。3。模型設(shè)定。例如當(dāng)X變量的變化范圍較小時(shí)在回歸中添加多項(xiàng)式項(xiàng)，。4。一個(gè)過(guò)度決定的模型。這種情況出現(xiàn)在模型的回歸元個(gè)數(shù)大于觀測(cè)次數(shù)時(shí)。91第91頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月存在多重共線性問(wèn)題時(shí)的估計(jì)多變量回歸模型的偏回歸系數(shù)要求其它變量保持不變，而完全共線性注定了變量之間的共變性，因此帶來(lái)破壞性的后果92第92頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月（近似）多重共線性的后果1。雖然OLS估計(jì)量BLUE，但有大的方差和協(xié)方差，故難以作出精確的估計(jì)2。由于后果1，置信區(qū)間將要寬得多，以致的不拒絕“零虛擬假設(shè)”更為容易3。仍由于后果1，1個(gè)或多個(gè)系統(tǒng)的t比率傾向于統(tǒng)計(jì)上不顯著4。雖然1或多個(gè)系數(shù)在統(tǒng)計(jì)意義上不顯著，總的擬合優(yōu)度仍非常高5。OLS估計(jì)量及其標(biāo)準(zhǔn)誤對(duì)數(shù)據(jù)的小小變化也會(huì)是敏感的。93第93頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多重共線性的偵察克曼塔(Kmenta)的忠告：

1。多重共線性是一個(gè)程度問(wèn)題而不是有無(wú)的問(wèn)題

2。由于多重共線性是對(duì)被假定為非隨機(jī)的解釋變量的情況而言的，所以這是一種樣本而非總體特征。94第94頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多重共線性的偵察出現(xiàn)多重共線性的一些規(guī)則可供參考：

1。R平方值高而顯著的t比率少

2。回歸元之間有高度的兩兩相關(guān)，但在多變量模型中，簡(jiǎn)單相關(guān)系數(shù)只是多重共線性存在的充分而非必要條件

3。檢查偏相關(guān)（一種輔助手段）95第95頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多重共線性的偵察4。特征值(eigenvalues，自變量的交叉乘積矩陣X`X)和病態(tài)指數(shù)(conditionindex)

如果CI在10與30之間，就算有中強(qiáng)度的多重共線性，而如果CI在30之上，就算有嚴(yán)重多重共線性5。方差膨脹因子VIF，當(dāng)VIF超過(guò)10時(shí)，我們說(shuō)該變量是高度共線的96第96頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多重共線性的補(bǔ)救措施1。先驗(yàn)信息，即用先驗(yàn)信息去替換有共線性的變量；先驗(yàn)信息來(lái)自先前遇到的同樣共線問(wèn)題的經(jīng)驗(yàn)研究工作，或者來(lái)自該研究領(lǐng)域的有關(guān)基礎(chǔ)理論2。剔除變量

但要注意設(shè)定偏誤問(wèn)題，有時(shí)醫(yī)治也許比疾病糟糕3。變量代換（一次差分形式）97第97頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月多重共線性的補(bǔ)救措施4。補(bǔ)充新數(shù)據(jù)

換一個(gè)樣本或是增加新數(shù)據(jù)一般能減輕多重共線性的癥狀5。其他方法，如因子分析法、脊回歸法98第98頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月思考題考慮以下模型：

其中Y＝消費(fèi)，X＝收入，t=時(shí)間。上述模型假定了時(shí)間t的消費(fèi)支出不僅是時(shí)間t的收入，而且是以前多期的收入的函數(shù)。這類(lèi)模型叫做分布滯后模型（distributedlagmodels)

1。你預(yù)期在這類(lèi)模型中有多重共線性嗎？為什么？.

2。如果預(yù)期有多重共線性，你會(huì)怎樣解決這個(gè)問(wèn)題？99第99頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月異方差性異方差性的性質(zhì)：假定4指明給定自變量的干擾項(xiàng)的方差是一個(gè)常數(shù)，即同方差性（homoscedasticity)，意謂等同的（homo)分散程度（scedasticity)，但如果方差不等，即為異方差性問(wèn)題。（見(jiàn)收入、儲(chǔ)蓄例）100第100頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月異方差性的來(lái)源1。按照邊錯(cuò)邊改學(xué)習(xí)模型（errorlearningmodels)，人們?cè)趯W(xué)習(xí)的過(guò)程中，其行為誤差隨時(shí)間而減少）2。隨著收入的增長(zhǎng)，人們有更多的備用收入(discretionaryincome)，從而如何支配他們的收入有更大的選擇范圍。類(lèi)比利潤(rùn)較豐厚的公司在分紅政策方面比利潤(rùn)微薄的公司有更大的變化。101第101頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月異方差性的來(lái)源3。數(shù)據(jù)采集技術(shù)的改進(jìn)4。異方差性還可能因?yàn)楫惓Ｖ档某霈F(xiàn)而產(chǎn)生5。異方差的另一來(lái)源是回歸模型設(shè)定的不正確性（如在商品的需求函數(shù)中，沒(méi)有把有關(guān)互補(bǔ)或互替的商品價(jià)格包括進(jìn)來(lái)）102第102頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月出現(xiàn)異方差時(shí)的估計(jì)當(dāng)異方差出現(xiàn)時(shí)，系數(shù)仍是線性和無(wú)偏的，但不再是最優(yōu)的廣義最小二乘法（GLS）：先將原始變量轉(zhuǎn)換成滿足經(jīng)典模型假設(shè)的轉(zhuǎn)換變量，然后對(duì)它們使用OLS程序，這樣求得的估計(jì)量是BLUE的加權(quán)最小二乘法（WLS）是GLS的一個(gè)特例103第103頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月異方差的危害如果我們忽視異方差性而一味使用慣常的檢驗(yàn)程序，則無(wú)論我們得出什么結(jié)論或作出什么推斷，都可能產(chǎn)生嚴(yán)重的誤導(dǎo)104第104頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月異方差的偵察和多重共線性類(lèi)似，并不存在有偵察異方差性的嚴(yán)明的法則，只有少數(shù)經(jīng)驗(yàn)法則可供參考。在大多數(shù)計(jì)量經(jīng)濟(jì)調(diào)查研究中，異方差性不過(guò)是一種直覺(jué)，先前經(jīng)驗(yàn)或純粹的猜想。（因?yàn)槲覀兺ǔＶ荒艿玫結(jié)的樣本數(shù)據(jù)）105第105頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月異方差的偵察非正式方法：

1。問(wèn)題的性質(zhì)：在涉及不均勻（heterogeneous)單元的橫截面數(shù)據(jù)中，異方差性可能是一種常規(guī)而非例外（如研究一些財(cái)務(wù)指標(biāo)時(shí)，樣本包括大、中、小廠家）

2。圖解法：在無(wú)異方差性的假定下做回歸分析，然后對(duì)殘差平方做圖，看這些殘差平方是否呈現(xiàn)任何系統(tǒng)性的樣式。（如橫軸是Y的估計(jì)值，縱軸是殘差平方，即殘差圖）106第106頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月異方差的偵察正式方法：

1。帕克檢驗(yàn)：提出是解釋變量X的某個(gè)函數(shù)從而把圖解法公式化。

2。格萊澤(Glejser)檢驗(yàn):原理上類(lèi)似帕克檢驗(yàn)。

3。斯皮爾曼（Spearman)的等級(jí)相關(guān)檢驗(yàn)：從排序的角度來(lái)定義殘差與X之間的相關(guān)性。107第107頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月異方差的偵察4。戈德菲爾德－匡特檢驗(yàn)（適用于和回歸模型中解釋變量之一有正向關(guān)系的情形）

步驟1：從最小X值開(kāi)始，按X值的大小順序?qū)⒂^測(cè)值排列

步驟2：略去居中的C個(gè)觀測(cè)值，其中C是預(yù)定的，并將其余（n-c)個(gè)觀測(cè)值分成兩組，每組（n-c)/2個(gè)

步驟3：分別對(duì)前后兩段回歸，得RSS1和RSS2

步驟4：計(jì)算比率：F＝(RSS2/df)/(RSS1/df)如果F值大于選定顯著性水平的臨界F值，則拒絕同方差性假設(shè)。108第108頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月異方差的偵察戈德菲爾德－匡特檢驗(yàn)說(shuō)明：

1。略去居中的C個(gè)觀測(cè)值是為了突出或激化小方差組和大方差組之間的差異.

2。當(dāng)樣本大小為60時(shí)，C約為16

3。求得的F值服從分子和分母自由度各為(n-c-2k)/2的F分布，其中k是包含截距項(xiàng)在內(nèi)的待估參數(shù)的個(gè)數(shù)。

4。要求按照被認(rèn)定為引起異方差性的X變量把觀測(cè)值重新排序。109第109頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月異方差的偵察懷特（White)的一般異方差檢驗(yàn)

步驟1：對(duì)給定的數(shù)據(jù)，估計(jì)并獲得殘差

步驟2：做如下輔助回歸：

步驟3：在無(wú)異方差性的虛擬假設(shè)下，可以證明，

步驟4：如果算得的值超過(guò)選定顯著性水平的臨界值，結(jié)論就是有異方差性110第110頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月異方差的偵察懷特檢驗(yàn)的原理在于檢驗(yàn)輔助方程中的殘差項(xiàng)與諸X及其交叉乘積項(xiàng)之間是否有顯著的線性關(guān)系，或相關(guān)關(guān)系。111第111頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月異方差的補(bǔ)救措施1。當(dāng)已知時(shí)，用加權(quán)最小二乘法2。當(dāng)未知時(shí)，列出懷特程序（Whiteoption)估計(jì)量，更專門(mén)化的名詞是異方差性相一致協(xié)方差矩陣估計(jì)量（heteroscedasticity-consistentcovariancematrixestimators或簡(jiǎn)記為HCCME）但要注意這僅限于大樣本的前提下112第112頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月異方差的補(bǔ)救措施3。異方差性假定下的變量變換

假定1：誤差方差正比于

假定2：誤差方差正比于

假定3：誤差方差正比于Y均值的平方4。對(duì)數(shù)變換113第113頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月自相關(guān)自相關(guān)可定義為按時(shí)間（時(shí)間序列數(shù)據(jù)如季度產(chǎn)出）或空間（橫截面數(shù)據(jù)如家庭消費(fèi)支出）排序的觀測(cè)值序列的成員之間的相關(guān)。即違反干擾項(xiàng)之間無(wú)自相關(guān)的假設(shè)。（從回歸模型的因變量角度）自相關(guān)(autocorrelation）與序列相關(guān)(serialcorrelation)的區(qū)別：變量本身與不同變量的區(qū)別114第114頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月自相關(guān)的來(lái)源1。慣性，特別是一些宏觀經(jīng)濟(jì)指標(biāo)，如GNP、價(jià)格指數(shù)等2。設(shè)定偏誤：應(yīng)含而未含變量的情形，如替代商品價(jià)格；不正確的函數(shù)形式，如產(chǎn)出－成本方程中未包括產(chǎn)出二次項(xiàng)3。蛛網(wǎng)模型（農(nóng)產(chǎn)品供給）4。滯后效應(yīng)（消費(fèi)習(xí)慣）5?！熬幵臁钡臄?shù)據(jù)，如季度數(shù)據(jù)由月度數(shù)據(jù)求平均而成，這樣使數(shù)據(jù)更平滑而顯自相關(guān)。（內(nèi)插與外推等數(shù)據(jù)揉合技術(shù)）115第115頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月自相關(guān)出現(xiàn)時(shí)的估計(jì)首先必須清楚各種干擾項(xiàng)的發(fā)生機(jī)制：一階自回歸模型AR（1）一階移動(dòng)平均MA（1）

自回歸與移動(dòng)平均過(guò)程ARMA（1,1）116第116頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月自相關(guān)出現(xiàn)時(shí)的估計(jì)在存在自相關(guān)時(shí)，用OLS法估計(jì)出來(lái)的參數(shù)雖然仍是線性和無(wú)偏的，但不再有效，與異方差問(wèn)題類(lèi)似，可以用GLS求得BLUE的估計(jì)參數(shù)。117第117頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月自相關(guān)問(wèn)題的后果1。回歸模型低估了真實(shí)的干擾項(xiàng)方差2。因此很可能高估了R平方3。因此，置信區(qū)間變得更寬了3。由此，通常的t和F等顯著性檢驗(yàn)都變成無(wú)效的了。118第118頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月偵察自相關(guān)1殘差圖：

1。用殘差（或標(biāo)準(zhǔn)化殘差）對(duì)時(shí)間描點(diǎn)

2。用殘差對(duì)滯后一期的殘差描點(diǎn)，是對(duì)AR（1）假設(shè)的一種檢驗(yàn)（如對(duì)工資的回歸模型）119第119頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月偵察自相關(guān)2游程檢驗(yàn)又稱吉爾里（Geary檢驗(yàn)），是對(duì)殘差序列是否具有系統(tǒng)性樣式的統(tǒng)計(jì)檢驗(yàn)過(guò)程。在殘差獨(dú)立的虛擬假設(shè)下，并當(dāng)n1(正值的殘差）>10，n2（負(fù)值的殘差）>10的條件下，游程個(gè)數(shù)（k)將遵循正態(tài)分布。決策規(guī)則：在95%的置信度下，k落在

，就不要拒絕隨機(jī)性假設(shè)。120第120頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月偵察自相關(guān)3德賓－沃森檢驗(yàn)，又稱D－W檢驗(yàn)，偵察自相關(guān)的最普遍應(yīng)用的檢驗(yàn)方法，其特點(diǎn)在于它僅依賴于殘差值。D-W檢驗(yàn)的基本假定：

1?；貧w含有截距項(xiàng)，X非隨機(jī)或在重復(fù)抽樣中固定

2。干擾項(xiàng)是按一階自回歸模型產(chǎn)生的

3?；貧w模型不把滯后因變量當(dāng)作解釋變量

4。沒(méi)有缺失數(shù)據(jù)121第121頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月偵察自相關(guān)3D-W檢驗(yàn)：

步驟1：做OLS回歸并取殘差

步驟2：計(jì)算d

步驟3：對(duì)給定樣本大小和給定的解釋變量個(gè)數(shù)找出臨界和值。

步驟4：比對(duì)決策規(guī)則122第122頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月自相關(guān)的補(bǔ)救措施GLS法123第123頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月ARCHARCH指回歸模型t時(shí)刻的干擾項(xiàng)的方差依賴于t-1時(shí)刻的干擾項(xiàng)平方，即依賴于在涉及金融數(shù)據(jù)，如股票價(jià)格、通貨膨脹率、外匯匯率等金融時(shí)間序列預(yù)測(cè)的研究工作時(shí)，經(jīng)常用到ARCH模型，因?yàn)檠芯咳藛T發(fā)現(xiàn)他們對(duì)這些金融變量的預(yù)測(cè)能力隨時(shí)期的不同而有相當(dāng)大的變化。當(dāng)出現(xiàn)ARCH時(shí)應(yīng)用GLS法進(jìn)行估計(jì)124第124頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月設(shè)定偏誤設(shè)定偏誤的類(lèi)型：

1。漏掉一個(gè)有關(guān)變量

2。包含一個(gè)無(wú)需變量

3。采用錯(cuò)誤函數(shù)形式

4。測(cè)量誤差125第125頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月設(shè)定偏誤的后果1。略去有關(guān)變量，則估計(jì)系數(shù)有偏誤且非一致，系數(shù)方差將增大，誤差方差將不正確2。加入多余變量，則估計(jì)系數(shù)仍無(wú)偏且一致，系數(shù)方差正確，但是誤差方差將不正確126第126頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月設(shè)定偏誤的檢驗(yàn)1。殘差圖分析2。再次使用D-W統(tǒng)計(jì)量

步驟1：從原回歸方程求得OLS殘差

步驟2：按遺漏的解釋變量Z的遞增次序?qū)埐钆判?/p>

步驟3：從這樣排列的殘差計(jì)算d

步驟4：比對(duì)D-W表，如果d值顯示有相關(guān)性，則模型設(shè)定偏誤127第127頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月殘差圖分析128第128頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月有關(guān)測(cè)量誤差的兩點(diǎn)說(shuō)明如果因變量有測(cè)量誤差，則OLS估計(jì)量是無(wú)偏的，且有一致性，但效率較低。如果自變量有測(cè)量誤差，則OLS估計(jì)量是有偏誤的，而且非一致129第129頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月正確設(shè)定模型的6種途徑1。理論+約束2。代理變量3。假設(shè)檢驗(yàn)4。簡(jiǎn)化5。數(shù)據(jù)選擇6。數(shù)據(jù)后模型構(gòu)建130第130頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月在模型之間進(jìn)行選擇1。嵌套模型，如B被嵌套在A中(檢驗(yàn)系數(shù)是否為零)2。非嵌套模型

判別方法(根據(jù)某些擬合優(yōu)度準(zhǔn)則，如R平方、AIC準(zhǔn)則等)

辨識(shí)方法(把供選擇的非嵌套模型組合成一個(gè)嵌套模型再做檢驗(yàn))131第131頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月利用兼容性準(zhǔn)則對(duì)模型進(jìn)行選擇戴維森-麥金農(nóng)J檢驗(yàn)

步驟1：估計(jì)模型D并得到Y(jié)的估計(jì)值

步驟2：將步驟1中得到的Y的估計(jì)值作為自變量加入到模型C中

步驟3：對(duì)步驟2中的Y的估計(jì)值系數(shù)做t檢驗(yàn)，如果不拒絕零假設(shè)，則D模型不含有足以改進(jìn)模型C的任何額外信息，故模型C兼容了模型D

步驟4：上述過(guò)程C和D對(duì)調(diào)，再做檢驗(yàn)132第132頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月關(guān)于虛擬變量的回歸對(duì)一個(gè)定量變量和一個(gè)兩分類(lèi)定性變量的回歸；被賦予零值的那個(gè)類(lèi)別被喻為基底(base)、基準(zhǔn)(benchmark)、對(duì)照(control)、對(duì)比(comparison)、參考(reference)或省略(omitted)類(lèi)，虛擬變量的系數(shù)可稱為級(jí)差截距系數(shù)(differentialinterceptcoefficient)，它告訴我們?nèi)≈禐?的類(lèi)別和取值為0的截距值的差別。如果一個(gè)定性變量有m個(gè)類(lèi)別，則僅引入m-1個(gè)虛擬變量，未引入的類(lèi)別由基底來(lái)表示。133第133頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月用虛擬變量比較兩個(gè)回歸儲(chǔ)蓄-收入例 用虛擬變量法比較兩個(gè)回歸不僅能用一個(gè)步驟進(jìn)行比較，還能檢查兩個(gè)回歸模型的區(qū)別細(xì)節(jié)(級(jí)差截距、級(jí)差斜率系數(shù)分別表示截距和斜率與原方程相差多少)衣著開(kāi)支----性別和教育

交叉乘積選項(xiàng)的應(yīng)用134第134頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月虛擬變量回歸季節(jié)調(diào)整(消費(fèi)者價(jià)格指數(shù)、批發(fā)價(jià)格指數(shù)、工業(yè)生產(chǎn)指數(shù)等都以季節(jié)調(diào)整的形式出現(xiàn))，虛擬變量是季節(jié)調(diào)整的一種方法。銷(xiāo)售額----獎(jiǎng)金

分段線性回歸(樣條函數(shù)splinefunction)

門(mén)檻值、結(jié)點(diǎn)、閥值135第135頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月虛擬應(yīng)變量的回歸線性概率模型(LPM)：因變量的值是定性變量，回歸模型仍是線性LPM模型的干擾項(xiàng)的非正態(tài)性。(評(píng)：如果僅是做點(diǎn)估計(jì)或在大樣本的前提下，則此點(diǎn)可不計(jì))Y的期望值應(yīng)該在0到1之間決定系數(shù)顯示出較少信息概率值隨X的增加而線性增加的性質(zhì)與事實(shí)不符136第136頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月對(duì)數(shù)單位(logit)模型1。隨著P從0到1(Z從負(fù)無(wú)窮到正無(wú)窮)，對(duì)數(shù)單位L從負(fù)無(wú)窮到正無(wú)窮2。雖然L對(duì)X為線性，但概率本身是非線性的3。斜率系數(shù)顯示自變量的單位變化所引起的對(duì)數(shù)機(jī)會(huì)比率是怎樣變化的4。一旦估計(jì)出斜率系數(shù)，可以直接求出概率值137第137頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月對(duì)數(shù)單位(logit)模型的估計(jì)加權(quán)最小二乘法對(duì)logit模型進(jìn)行估計(jì)斜率系數(shù)的反對(duì)數(shù)減去1再乘以100%可得自變量每增加1單位的機(jī)會(huì)比率的百分比變化給出自變量每單位變化所引起的概率本身的變化，注意到概率的變化不僅跟斜率系數(shù)有關(guān)，同時(shí)也跟概率值本身有關(guān)可以用最大似然法對(duì)logit模型進(jìn)行估計(jì)138第138頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月概率單位(probit)模型以正態(tài)CDF來(lái)對(duì)虛擬應(yīng)變量進(jìn)行估計(jì)的模型為概率單位模型(probitmodel)，又稱為正態(tài)單位模型(normitmodel)因?yàn)槊慨?dāng)P小于0.5時(shí)，將是負(fù)數(shù)，所以在實(shí)踐中把數(shù)值5加到，其結(jié)果稱為概率單位139第139頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月托比模型一個(gè)僅對(duì)某些觀測(cè)有因變量的信息的樣本叫截取樣本(censoredsample)，對(duì)這類(lèi)樣本的回歸叫托比模型，又稱截取回歸模型或限值應(yīng)變量模型(limiteddependentvariablemodels)，一個(gè)典型例子是研究門(mén)票的需求量，當(dāng)門(mén)票售完時(shí)，你所得到的因變量只是售出的數(shù)量而非實(shí)際的需求量與truncatedsample(某些自變量的值被刪減，如低于某收入水平)的區(qū)別140第140頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月托比模型的估計(jì)用最大似然法對(duì)托比模型進(jìn)行估計(jì)141第141頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月動(dòng)態(tài)模型之分布滯后分布滯后模型：回歸模型不僅含有解釋變量的當(dāng)前值，還含有它們的滯后值，是因?yàn)榻忉屪兞繉?duì)因變量的影響是個(gè)持續(xù)的過(guò)程，需要多個(gè)時(shí)期才能完全展開(kāi)其影響。相關(guān)的例子如：永久收入對(duì)消費(fèi)的影響；銀行的貨幣創(chuàng)造；R&D支出對(duì)生產(chǎn)力的影響；無(wú)限滯后分布模型和有限滯后分布模型142第142頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月滯后的原因心理上的原因技術(shù)上的原因制度上的原因143第143頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月分布滯后模型的估計(jì)1、現(xiàn)式估計(jì)法(阿爾特和丁伯根)：逐步引入滯后變量進(jìn)行回歸，直到回歸系數(shù)符號(hào)不穩(wěn)定或符號(hào)難以解釋。2、考伊克方法(從一個(gè)分布滯后模型開(kāi)始，卻以一個(gè)自回歸模型告終)144第144頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月分布滯后模型的應(yīng)用中位滯后從中位數(shù)的角度反映解釋變量對(duì)因變量的影響平均需要多長(zhǎng)時(shí)間。平均滯后從平均數(shù)的角度反映解釋變量對(duì)因變量的影響平均需要多長(zhǎng)時(shí)間。適應(yīng)性期望模型存量調(diào)整模型適應(yīng)性期望和存量調(diào)整模型的組合(永久收入假說(shuō))145第145頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月動(dòng)態(tài)模型之自回歸自回歸模型(動(dòng)態(tài)模型)：回歸模型含有因變量的一個(gè)或多個(gè)滯后值自回歸模型的估計(jì)問(wèn)題：隨機(jī)解釋變量的出現(xiàn)以及序列相關(guān)的可能性。用工具變量法對(duì)自回歸模型進(jìn)行估計(jì)。工具變量法即找一個(gè)與t-1期的Y值高度相關(guān)但與t期的V值不相關(guān)的變量作為t-1期的Y值的替代變量，然后再作回歸稱為工具變量法。利維亞坦建議用t-1期的X值作為工具變量146第146頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月在自回歸模型中偵察自相關(guān)基于大樣本的德賓h檢驗(yàn)決策規(guī)則：

1、如果h>1.96，則拒絕無(wú)正的一階自相關(guān)的虛擬假設(shè)

2、如果h<1.96，則拒絕無(wú)負(fù)的一階自相關(guān)的虛擬假設(shè)

3、如果h落在-1.96與1.96之間，則不拒絕無(wú)一階(正或負(fù))自相關(guān)的虛擬假設(shè)147第147頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月阿爾蒙方法多項(xiàng)式分布滯后模型(PDL)多項(xiàng)式的次數(shù)應(yīng)至少比聯(lián)系著i和貝塔的曲線的轉(zhuǎn)向點(diǎn)個(gè)數(shù)大1148第148頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月葛蘭杰檢驗(yàn)自回歸模型的推廣應(yīng)用獨(dú)立、單向因果關(guān)系、反饋因果關(guān)系149第149頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月聯(lián)立方程模型自變量與因變量互相影響、互相依賴的情況，如需求供給模型、簡(jiǎn)單的凱恩斯收入決定模型、工資價(jià)格模型。與單一方程模型相比，聯(lián)立方程模型涉及多于一個(gè)應(yīng)變量，從而有多少個(gè)應(yīng)變量就有多少個(gè)方程，另一個(gè)特點(diǎn)是一個(gè)方程中的應(yīng)變量作為另一個(gè)方程的解釋變量，結(jié)果是這樣的內(nèi)生解釋變量變成了隨機(jī)的，而且常常和誤差項(xiàng)有相關(guān)關(guān)系，這樣導(dǎo)致OLS估計(jì)量的非一致性(證明)150第150頁(yè)，課件共167頁(yè)，創(chuàng)作于2023年2月識(shí)別問(wèn)題給定P和Q，我們到底是在估計(jì)需求函數(shù)還是供給函數(shù)，這就是識(shí)別問(wèn)題