《参数的约束检验》PPT课件.ppt

参数的约束及设定检验参数的约束及设定检验一、一、模型的线性约束检验模型的线性约束检验二、二、非线性约束及其估计与检验非线性约束及其估计与检验三、三、参数的约束检验程序参数的约束检验程序一、模型的线性约束检验一、模型的线性约束检验㈠约束的含义及其形式㈠约束的含义及其形式㈠约束的含义及其形式㈠约束的含义及其形式 在建立回归模型时，有时根据经济理论需要对模型中的参数施加一定的约束条件例如：需求函数的0阶齐次性条件生产函数的1阶齐次性条件线性约束的形式如下：H0: C·=r；H1: C·≠r其中：C=(C0,C1,…Ck)；=(0,1,…,k)T 例如原模型为：Y=0+1X1+2X2+…+kXk+对该模型施加线性约束如下两个约束：1+2=1; k-1=k则原模型变为：Y=0+1X1+(1-1)X2+3X3+…+k-1Xk+k-1Xk+Y-X2=0+1(X1-X2)+3X3+…+k-1(Xk-1+Xk)+uY*=0+1X1*+3X3+…+k-1Xk-1*+u由此可见两个约束使参数减少了两个对于约束的有效性，需进一步进行相应的检验为此，在同一样本下，记无约束样本回归模型为: Y=XB+E这是对模型的参数未加任何约束的回归，所以常称为无约束回归(unrestricted regression)。

且e’e为无约束样本回归模型的残差平方和残差平方和，表记为RSSU受约束受约束样本回归模型记为:Y=XB*+R对该施加约束后的模型进行回归，称为受约束回归(restricted regression)其残差平方和残差平方和r’r记为RSSR ㈡对约束的㈡对约束的F检验检验于是约束方程的残差及残差平方和分别为：r = Y-XB*=XB+E-XB*=E-X(B*-B)r‘r = e’e + (B*-B)’X’X(B*-B)可见：e’e ≤ r’r ，即RSSR ≥ RSSU由于受约束与无约束模型都有相同的TSS，这意味着，通常情况下，对模型施加约束条件会降低模型的解释能力但是，如果约束条件为真，则受约束回归模型与无约束回归模型具有相同的解释能力，RSSR与RSSU的差异将很小可用RSSR - RSSU的大小来检验约束的真实性根据数理统计学的知识：RSSU/2~2(n-kU-1)和RSSR/2~2(n-kR-1)及(RSSR-RSSU)/2~2(kU-kR)于是有F统计量：将约束看作是原假设，则如果约束条件无效， RSSR与RSSU的差异较大，计算的F值也较大即在F>Fα时，就要否定原约束。

注意kU-kR恰为约束条件的个数注：注：注：注：对线性回归方程总体显著性方程总体显著性的F检验，就是在H0:j=0(j=1,2,…,k)约束下进行的这里受约束回归模型为：Y=0+r；无约束的方程是Y=XB+E则对约束进行检验的F统计量为：这里，运用了ESSR ＝0考虑如下两个回归模型：Y=0+1X1+2X2+…+kXk+ (1式)Y=0+1X1+2X2+…+kXk+…+k+qXk+q+ (2式)(1)式可看成是(2)式的受约束回归受约束回归：：H0: k+1=k+2=…=k+q=0则相应的Ｆ统计量为：㈢㈢ 对对回归模型增减解释变量的检验回归模型增减解释变量的检验用回归平方和计算有 如果约束条件为真，即额外的变量Xk+1, …, Xk+q对Ｙ没有解释能力，则Ｆ统计量较小； 否则，约束条件为假，意味着额外的变量对Ｙ有较强的解释能力，则Ｆ统计量较大 因此，可通过F的计算值计算值与临界值临界值的比较，来判断额外变量是否应包括在模型中F统计量还可以用可决系数表述为：统计量还可以用可决系数表述为：二、非线性约束对模型的参数施加非线性约束(如β1β2=1等)时，使模型变成非线性模型。

这时普通最小二乘法已不在适用，必须采用非线性最小二乘法(nonlinear least squares)进行估计而人们常在大样本情况下采用的相对简单的做法是极大似然估计，并在估计时常采用如下三个以卡方分布为基础的检验：㈠ 最大似然比检验(LR)㈡ 沃尔德检验(WD)㈢ 拉格朗日乘数检验(LM)㈠ 最大似然比检验(LR)极大似然比检验(Likelihood Ratio Test)是在使用极大似然法进行估计时，对无约束方程与受约束方程之间的似然函数值的区别是否“足够”大的检验记L(β,σ2)为似然函数；L(b,s2)为无约束方程的最大似然函数值；L(a,δ2)为受约束方程的最大似然函数值，约束条件列向量为g(β)；则拉格朗日极值函数为：φ=L(β,σ2)-￿λ’g(β)其中λ为拉格朗日乘数列向量，可解决约束方程的求解问题同样地，受约束的函数值不会超过无约束的函数值，但如果给出的约束条件为真，则两个函数值就非常“接近”所以，定义似然比(likelihood ratio)为：L(a,δ2)/L(b,s2)如果似然比值很小，则拒绝约束为真的假设；如果比值接近于1，则接受约束而检验的标准依据为：LR=-2[ln L(a,δ2)-ln L(b,s2)]～χ2(h)其中：h为约束个数。

检验时，以LR＞χ2α(h)为否定约束为真的依据㈡ 沃尔德检验(WD)该检验只需估计无约束方程，并针对参数施加约束进行的直接检验，设对参数所施加的约束g(β)，在所有基本假设都成立的情况下，可以证明：g(b)～N[g(β),σ2g(b)]则沃尔德统计量计算及分布情况有：⑴施加一种约束时：z=[g(b)-g(β)]2/σ2g(b)～χ2(1)⑵施加h种约束时：W=Z’C-1Z～χ2(h)其中Z=(z)h×1，C=(σ2g(b))h×h=COV(zi)；在非线性约束时，C的计算很复杂，需要用泰勒展开检验时仍然以W＞χ2α(h)为否定域㈢ 拉格朗日乘数检验(LM)该检验只需估计受约束的方程，在估计的极大似然求解函数φ=L(β,σ2)-￿λ’g(β)中，λ’是以各约束条件相应的拉格朗日乘数为元素的行向量，各λi的大小反映着各约束条件对极大似然函数L(a,δ2)的影响程度如果某一约束为真，则该约束条件对似然函数的影响就小，即其对应的λ值就接近于零因此拉格朗日乘数检验就是检验某些拉格朗日乘数的值是否“足够大”，如果足够大就拒绝约束为真的假设拉格朗日乘数检验的统计量为：LM=nR2其中：n为样本容量；R2为以受约束的方程估计的残差的平方为被解释变量，以所有原解释变量及其交叉项为解释变量构成的辅助回归方程的可决系数。

在各约束条件为真的情况下，该统计量服从自由度为约束条件个数的卡方分布所以，检验时仍然以LM＞χ2α(h)为否定域一般情况下，在有限样本中：LM ≤ LR ≤ W 三、系数检验(Coefficient Tests)的程序在方程对象中选View→Coefficient Tests→会有四个选项，如下图所示：其中: 首项为可信椭圆检验；次项为为解释变量系数的约束检验；三项为缺失变量检验；四项为多余变量检验任意两个系数的联合置信区间图，可以选择一个或两两系数间的置信区间的对比图示例如：㈠置信椭圆(Confidence Ellipses)使用检验程序时，首先要设定关于系数的约束的原假设，并在窗口输入规范的约束条件，多个约束之间以“，”分离如下图所示：㈡ Wald-coefficient Restrictions检验约束条件应表示为含有估计参数和常数（不可以含有序列名）的方程，系数应表示为c(1)，c(2)等等，除非在估计中已使用过一个不同的系数向量EViews显示F统计量和 2 统计量及相应的P值2 统计量等于F统计量乘以检验约束条件数例如：例如零假设为：C(1)=1,C(2)=0;结果是这两个约束成立的可能性为零。

这一检验能给现有方程添加变量，而且询问添加的变量对解释因变量变动是否有显著作用原假设H0是添加变量不显著检验输出的是F统计量和似然比(LR)统计量及各自P值，以及在备选假设下无约束模型估计结果F统计量基于约束和无约束回归残差平方和之差LR统计量由下式计算： ㈢遗漏变量㈢遗漏变量(Omitted Variables)(Omitted Variables)检验检验 Lr和Lu是约束和无约束约束回归对数似然函数的最大值在H0下，LR统计量服从渐近2 分布，自由度等于约束条件数，即加入变量数使用时要注意：⑴遗漏变量检验要求在原始方程中和检验方程中观测值数相等如果要加入变量的任一序列与原方程样本相比，含有缺失观测值（当加入滞后变量时这种情况常见），检验统计量将无法建立⑵遗漏变量检验可用于线性LS、TSLS、ARCH、Binary、Ordered、Censored、Count模型估计方程且只有通过列表法列出回归因子时检验才能进行例如：原模型中不含有截距常数项而在检验中填加可能遗漏的常数项C，则检验过程为：检验程序实例注意：原假设是新添变量系数为0 所以检验的结果是添加的变量参数有效 ⒈冗余变量检验原理冗余变量检验可以检验方程中一部分变量的统计显著性。

更正式，可以确定方程中一部分变量系数是否为0，从而可以从方程中剔出去原假设：被检验变量系数为0冗余变量检验可以应用于线性LS、TSLS、ARCH(仅均值方程)、Binary、 Ordered、Censored、Count模型估计方程只有以列表法列出回归因子形式，而不是公式定义时才可进行㈣冗余(Redundant Variables)变量⒉如何进行冗余变量检验方程对象的View/Coefficient Tests/Redundant Variable -likelihood Ratio，在对话框中，输入检验变量名列表，相互间至少用一空格隔开如图： 可见：折旧ZJ的系数为零的可能性是零剔除ZJ后的估计。