第7章 随机解释变量.docx

本文格式为Word版，下载可任意编辑第7章 随机解释变量 第7章 随机解释变量 单方程线性计量经济学模型假定解释变量是确定性变量，并且与随机误差项不相关，违背这一根本假设的问题被称为随机解释变量问题本章介绍了随机解释变量问题的概念、产生的理由和后果、检验方法以及解决方法 7.1随机解释变量问题的概念 对于计量经济模型 Yi?β0?β1X1i?β2X2i???βkXki?ui，i?1，2，? （7.1.1） 其中一个根本假设是解释变量X1,X2,?Xk是确定性变量，即解释变量与随机扰动项不相关但是在现实经济生活中，这个假定不确定成立，这一方面是由于用于建模的经济变量的观测值一般会存在观测误差，另一方面是经济变量之间联系的普遍性使得解释变量可能在确定程度上凭借于应变量，即解释变量X影响应变量Y，而应变量Y也会反过来影响解释变量X 模型中假设存在一个或多个随机变量作为解释变量，就称为模型展现了随机解释变量问题其中xk可能与随机误差项u不相关，就是说，解释变量x1,x2,?xk?1都是外生的，但xk有可能在方程(4.4.1)中是内生的，那么称原模型存在随机解释变量问题。

内生性可能源自于省略误差、测量误差，联立性等①为议论便当，我们假设(4.4.1)中X2为随机解释变量 在模型（7.1）中，根据解释变量X2与随机误差项的关系，可以分为三种类型： 1)随机解释变量与随机干扰项独立 Cov(X2,u)?E(x2,u)?E(x2)E(u)?0 (7.1.2) 2)随机解释变量与随机干扰项同期无关但异期相关 Cov(X2i,ui)?E(x2i,ui)?0，Cov(X2i,ui-s)?E(x2i,ui-s)?0，i?1，2，?n (7.1.3) i?1，2，?n (7.1.4) 3)随机解释变量与随机干扰项同期相关 Cov(X2i,ui)?E(x2i,ui)?0，i?1，2，?n (7.1.5) ① 概括详见《Econometric analysis of cross section and panal data》(Jeffrey Wooldrige,2022 )。

7.2实际经济问题中的随机解释变量 在大量经济现象中，自变量的非随机性假定有时是不符合实际的由于， ⑴ 大量经济变量是不能用操纵的方法举行观测的，所以作为模型中的解释变量其取值就不成能是确定的，而是随机的 ⑵ 由于随机误差项中包含了模型中略去的解释变量，而略去的解释变量同模型中留存的解释变量往往存在确定的相关关系 ⑶ 在自回归模型中，因变量作为解释变量也必定是随机变量 因此，我们务必对模型中的解释变量为随机变量且与随机项相关的情形举行议论在单方程计量经济学模型中，只要外生变量都被认为是确定性的，于是随机解释变量问题主要变现于用滞后被解释变量作为模型的解释变量的处境同时，由于经济活动具有连续性，使得这类模型在以时间序列数据作样本的模型中占据较大份额例如，消费不仅受收入的影响，还受前期消费水平的影响投资不仅受收入的影响，还受前期投资水平的影响但是，并不是全体包含滞后被解释变量的模型都会带来随机解释变量问题，下面通过几个例子来说明 耐用品的存量由前一个时期的存量和当期收入共同抉择，于是出名的“耐用品存量调整模型”表示为 Qt??0??1It??2Qt?1?ut t?1,2,3,?,n （7.2.1） 这是一个滞后被解释变量作为解释变量的自回归模型。

但是假设模型中不存在随机误差项的序列相关性，那么随机解释变量Qt?1只与ut?1相关，而与ut不相关，属于上述的第一种处境 再如，在出名的“合理预期的消费函数模型”中，首先认为消费是由对收入的预期所抉择的，或者说消费是有筹划的，而这个筹划是根据对收入的预期制定的于是有： Ct??0??1It?utCt?1??0??1Ieeet?1?ut?1 （7.2.2） 其中，It表示t期收入预期值，而预期收入与实际收入之间存在差距，用函数形式表现出来为： It??1???It??It?1 （7.2.3） ee该式是由合理预期理论给出来的，因此可以进一步推导出 Ct??0??1?1???It??1?It?1?ut e ??0??1?1???It???Ct?1??0?ut?1??ut ??0?1?????1?1???It??Ct?1?ut??ut?1 （7.2.4） 在该模型中，作为解释变量的Ct?1是一个随机解释变量，同时由于Ct?1与ut?1高度相关，所以它与模型（7.2.4）中的随机误差项ut??ut?1也高度相关。

属于上述第三种类型 7.3随机解释变量的后果 当模型存在随机解释变量时，假设仍采用普遍最小二乘法估计模型参数，不同性质的随机解释变量会产生不同的后果 对一元线性回归模型 Yi?β0?β1Xi?μi 在前面得到如下最小二乘估计量： xyxμ??β??β? (7.3.1) ?x?xiiii1212ii 随机解释变量X与随机干扰项μ的关系不同，参数OLS估计量的统计性质也会不同 7.3.1估计量的渐近特征 假设一个变量是随机变量，它的精确抽样分布是很难找到的，只能是渐进结果例如，当线性回归模型得志最小二乘法的假定条件时，其参数的最小二乘估计量具有无偏性和有效性优势最小二乘估计量并不具有这种统计特征，但随着样本容量的增加却具有了这种特征 1）渐近无偏性 ?设?是参数?的估计量，其中n为样本容量，设依次抽样的样本容量n分别为 ??nnn1?n2???nr，那么??n?n?n是一个随机变量，其数学期望值为E(?n)，方差为 Var(?)=E[?-E(?)]2。

随着样本容量n取值的不同，得到下面随机解释变量序列 ?|?|???nn?n1,??n2,?,?n1?nr ?n2?| E(?)|?E(??),E(?),?,E(??nr) ?n2?nr?nr| Var(?)|?E[? n?n1?E(??n1)],E[?2?n2?E(?)],?,E[?2?E(?)] （7.3.2） 2 所谓渐近分布是指当样本容量n趋于无穷大时，上面各随机变量序列分别收敛到确定分布对于均值、方差存在以下关系 ?nn???Lim E( ?)?E(?) ?nn????Lim Var( ?)?E[??E(?)] （7.3.3） ????2其中E(?)，E[??E(?)]分别是?假设 ?2n的渐近期望值和渐进方差 Lim E( ?)?? n???n?nn那么称?是?的渐近无偏估计即当样本容量n充分大时，?的均值趋向于总体参数? 以上的议论是在样本容量充分大的处境下举行的假设小样本估计量是有偏的，但其估计量具有渐近无偏性，我们就可以增加样本来优化估计结果。

2）一致性 一致性估计是指对于任意给定的两个任意小的正数?,?，总存在一个充分大的样本容量n0，使得当n>n0时，得志 ??n?P?|???|????1?? （7.3.4） ???n?n称估计序列?是?的一致估计序列，即当样本容量n充分大时，?实值的概率接近于1，记为 ?值趋向于总体真 PLim?n??n?? （7.3.5） ?也可以简记为 Plim??? 综上所述，由数理统计的理论可知，要想建立一个一致性估计量，务必得志两个条件 LimE(?)??和LimVar(?)?0 n??n???n?n?n?n即估计量?具有渐近无偏性，并且当样本容量充分大时，?3）随机解释变量模型最小二乘估计量的统计特征 随机解释变量X的OLS估计量可能展现下面三种处境 的方差趋近于0 （1）假设X与随机误差项u相互独立，即E(Xiui)?E(Xi)E(ui)?0，得到的参数估计量依旧是无偏一致估计量 由于 ?xui?i???X1i?Xui???Xiui?X?ui 因此那么有 E(?1)??1???x2i??E(Xiui)?X?E(u)???i1 （7.3.6） 这说明?1是?1的无偏估计量。

?同理可以证明?0是?0的无偏估计量 （2）假设X与μ同期不相关，而异期相关，得到的参数估计量有偏，但却是一致的由(7.3.1)易知 ?)?β?E(E(β?11xi?x2iμi)?β1??E(kμii) （7.3.7） 尽管Xi与ui同期无关，但对任一的分母中确定包含不同期的X；由异期相关性知ki与?)?β，即参数估计量是有偏的 ui相关，导致E(βi1但是 Plim(βi?n???xμ?xiiPlim(i21n1)?β1?Plim(2i?xμi2ii)?β1?Cov(Xi,μi)Var(Xi)?β1x?n（7.3.8） )即在假定PLim?1?xn?0的处境下，分子项等于0，于是上式成立这说明最小二 乘估计量?1虽然是有偏的，但它是?1的一致估计量 （3）假设随机解释变量X与随机误差项u同期相关，得到的参数估计量有偏且非一致 由于 Cov?Xi,ui??0 所以那么有 1 PLimX?niui?Cov(Xi,ui)?0 （7.3.9） ?Plim1n即Plim?1??1??Xiui?XPlim11n?ui??1 （7.3.10） Plim??xn2i这说明最小二乘估计量?1是有偏的，也不是?1的一致估计量。

— 9 —。