【中级计量经济学】Lecture 1 计量经济学初步
文章目录
- Lecture 1 计量经济学初步
- 1.0 其他问题或归纳
- 1.1 一元线性回归计算
- 模型估计
- 检验与预测
- 1.2 多元线性回归模型
- 参数估计与预测
- 假设检验
Lecture 1 计量经济学初步
1.0 其他问题或归纳
ESS (Explained Sum of Squares) = SSR (Sum of Squares from Regression) 回归平方和
RSS (Residual Sum of Squares) = SSE (Sum of Squares from Errors) 残差平方和
TSS=ESS+RSS=SSR+SSE=SST
R2=ESSTSS=SSRSSTR^2=\frac{ESS}{TSS}=\frac{SSR}{SST}R2=TSSESS=SSTSSR
含对数形式的回归模型:
y=β0+β1xy=\beta_0+\beta_1xy=β0+β1x:Δx=1,Δy=β1\Delta x=1,\Delta y=\beta_1Δx=1,Δy=β1
y=β0+β1logxy=\beta_0+\beta_1\log xy=β0+β1logx:Δx=1%,Δy=β1100\Delta x=1\%,\Delta y=\frac{\beta_1}{100}Δx=1%,Δy=100β1
logy=β0+β1x\log y=\beta_0+\beta_1 xlogy=β0+β1x:Δx=1,Δy=100β1%\Delta x=1,\Delta y=100\beta_1\%Δx=1,Δy=100β1%
logy=β0+β1logx\log y=\beta_0+\beta_1\log xlogy=β0+β1logx:Δx=1%,Δy=β1%\Delta x=1\%,\Delta y=\beta_1\%Δx=1%,Δy=β1%
交互项:
C=α+βY+uC=\alpha+\beta Y+uC=α+βY+u
β=β1+β2Z\beta=\beta_1+\beta_2Zβ=β1+β2Z
⇒C=α+(β1+β2Z)Y+u=α+β1Y+β2YZ+u\Rightarrow C=\alpha+(\beta_1+\beta_2Z)Y+u=\alpha+\beta_1Y+\beta_2YZ+u⇒C=α+(β1+β2Z)Y+u=α+β1Y+β2YZ+u
刻画交互作用的方法,在变量为定性变量时, 是以乘法方式引入虚拟变量的。
回归方程括号里的是回归系数的标准差Sβ^1S_{\hat\beta_1}Sβ^1,ttt统计量t=β^1σ^2∑xi2=β^1Sβ^1∼t(n−2)t=\frac{\hat\beta_1}{\sqrt{\dfrac{\hat\sigma^2}{\sum x_i^2}}}=\frac{\hat\beta_1}{S_{\hat\beta_1}}\sim t(n-2)t=∑xi2σ^2β^1=Sβ^1β^1∼t(n−2)
临界ttt统计量是双侧检验,临界值为tα/2(n)t_{\alpha/2}(n)tα/2(n):
α=10%\alpha=10\%α=10%显著性水平,n=∞n=\inftyn=∞,tα/2(n)=t0.05(n)=1.645t_{\alpha/2}(n)=t_{0.05}(n)=1.645tα/2(n)=t0.05(n)=1.645
α=5%\alpha=5\%α=5%显著性水平,n=∞n=\inftyn=∞,tα/2(n)=t0.025(n)=1.96t_{\alpha/2}(n)=t_{0.025}(n)=1.96tα/2(n)=t0.025(n)=1.96
t统计量的绝对值大于临界值,拒绝原假设(H0:β1=0H_0:\beta_1=0H0:β1=0,解释变量的回归系数不显著),说明解释变量显著,通过显著性检验。
t统计量大于3一般都可以通过显著性检验,小于1一般无法通过显著性检验。
FFF统计量可以用拟合优度R2R^2R2以及样本数量nnn以及(显式)变量数kkk计算:
F=(TSS−RSS)/kRSS/(n−k−1)=R2/k(1−R2)/(n−k−1)F=\frac{(TSS-RSS)/k}{RSS/(n-k-1)}=\frac{R^2/k}{(1-R^2)/(n-k-1)} F=RSS/(n−k−1)(TSS−RSS)/k=(1−R2)/(n−k−1)R2/k
F统计量总是单变的,越大越显著。
古典线性回归模型的基本假定:
CLM1:参数线性关系
CLM2:随机样本,样本选择又变异性
CLM3:满秩(否则,存在多重共线性)
CLM4:误差项条件均值为零
(前提假设是误差项无条件均值为0且与解释变量无关,否则,存在内生性问题)
CLM5:误差项同方差和无自相关(否则,存在异方差和自相关)
CLM6:误差项正态分布
- 满足1-4,OLS估计无偏(异方差和自相关OLS仍然无偏)
- 满足1-5,OLS估计BLUS(最优线性无偏估计),估计量有效。(高斯马尔可夫定理)
- 满足1-6,古典线性回归模型的基本假定
1.1 一元线性回归计算
区分四个概念:
总体回归线:估计给定XXX时的条件期望。
f(X)=E(Y∣X)=β0+β1X.f(X)=E(Y|X)=\beta_0+\beta_1X. f(X)=E(Y∣X)=β0+β1X.总体回归模型:用于描述每一个个体回归模型,加入了随机误差项。
Yi=β0+β1Xi+μi.Y_i=\beta_0+\beta_1X_i+\mu_i. Yi=β0+β1Xi+μi.样本回归线:由样本计算出的用于估计总体回归线的函数。
Y^=β^0+β^1X.\hat{Y}=\hat\beta_0+\hat\beta_1X. Y^=β^0+β^1X.样本回归模型:用于解释每一个样本的样本回归模型,加入了残差。
Yi=β^0+β^1X+ei.Y_i=\hat\beta_0+\hat\beta_1X+e_i. Yi=β^0+β^1X+ei.
模型估计
经典假设(前四条称高斯-马尔科夫假设):
- 回归模型是正确设定的。
- 解释变量XXX在所抽取的样本中具有变异性,样本方差趋于非零常数。
- 对给定XXX的任何值,随机干扰项零均值:E(μi∣X)=0\mathrm{E}(\mu_i|X)=0E(μi∣X)=0。
- 对给定XXX的任何值,随机干扰项同方差、序列不相关:Var(μi∣X)=σ2\mathrm{Var}(\mu_i|X)=\sigma^2Var(μi∣X)=σ2,Cov(μi,μj∣X)=0\mathrm{Cov}(\mu_i,\mu_j|X)=0Cov(μi,μj∣X)=0。
- 随机干扰项服从零均值、同方差的正态分布:μi∣X∼N(0,σ2)\mu_i|X\sim N(0,\sigma^2)μi∣X∼N(0,σ2)。
正规方程组:
Cannot read properties of undefined (reading 'type')
估计量的离差形式与样本回归函数的离差形式:
β^1=∑xiyi∑xi2,β^0=Yˉ−β^1Xˉ;y^i=β^1xi.\hat\beta_1=\frac{\sum x_iy_i}{\sum x_i^2},\quad \hat\beta_0=\bar{Y}-\hat\beta_1\bar{X};\\ \hat y_i=\hat\beta_1x_i. β^1=∑xi2∑xiyi,β^0=Yˉ−β^1Xˉ;y^i=β^1xi.
矩估计时的总体矩条件与对应的样本矩条件(矩条件将在工具变量法中发挥作用):
E(μi)=0⇒1n∑(Yi−β^0−β^1Xi)=0;E(Xiμi)=0⇒1n∑(Yi−β^0−β^1Xi)Xi=0.\mathrm{E}(\mu_i)=0\Rightarrow \frac{1}{n}\sum(Y_i-\hat\beta_0-\hat\beta_1X_i)=0;\\ \mathrm{E}(X_i\mu_i)=0\Rightarrow \frac{1}{n}\sum(Y_i-\hat\beta_0-\hat\beta_1X_i)X_i=0. E(μi)=0⇒n1∑(Yi−β^0−β^1Xi)=0;E(Xiμi)=0⇒n1∑(Yi−β^0−β^1Xi)Xi=0.
最小二乘估计量具有线性性,无偏性,有效性(最小方差性)与大样本下的一致性。下面的结果将在预测问题中起到作用。
β^1=β1+∑xi∑xi2μi,Var(β^1)=σ2∑xi2;β^0=β0+∑(1n−xiXˉ∑xi2)μi,Var(β^0)=∑Xi2n∑xi2σ2;Cov(β^0,β^1)=−Xˉσ2∑xi2.\hat\beta_1=\beta_1+\sum \frac{ x_i}{\sum x_i^2}\mu_i,\quad \mathrm{Var}(\hat\beta_1)=\frac{\sigma^2}{\sum x_i^2};\\ \hat\beta_0=\beta_0+\sum\left(\frac{1}{n}-\frac{x_i\bar{X}}{\sum x_i^2} \right)\mu_i,\quad \mathrm{Var}(\hat\beta_0)=\frac{\sum X_i^2}{n\sum x_i^2}\sigma^2;\\ \mathrm{Cov}(\hat\beta_0,\hat\beta_1)=-\frac{\bar{X}\sigma^2}{\sum x_i^2}. β^1=β1+∑∑xi2xiμi,Var(β^1)=∑xi2σ2;β^0=β0+∑(n1−∑xi2xiXˉ)μi,Var(β^0)=n∑xi2∑Xi2σ2;Cov(β^0,β^1)=−∑xi2Xˉσ2.
随机干扰项的方差估计,这是假设检验、预测置信区间的基础:
σ^2=∑ei2n−2,Sβ^1=σ^2∑xi2.\hat\sigma^2=\frac{\sum e_i^2}{n-2},\quad S_{\hat\beta_1}=\sqrt{\frac{\hat\sigma^2}{\sum x_i^2}}. σ^2=n−2∑ei2,Sβ^1=∑xi2σ^2.
σ^2=RSSn−k−1\hat\sigma^2=\frac{RSS}{n-k-1}\\ σ^2=n−k−1RSS
是σ2\sigma^2σ2的一致估计量。对于一元线性回归k=1k=1k=1.
Sβ^1=σ^2∑xi2=σ^2TSS(1−R2)S_{\hat\beta_1}=\sqrt{\frac{\hat\sigma^2}{\sum x_i^2}}=\sqrt{\frac{\hat\sigma^2}{TSS(1-R^2)}} Sβ^1=∑xi2σ^2=TSS(1−R2)σ^2
检验与预测
平方和分解式:在最小二乘估计下,有
TSS=RSS+ESS.\mathrm{TSS}=\mathrm{RSS}+\mathrm{ESS}. TSS=RSS+ESS.
- TSS\mathrm{TSS}TSS:总离差平方和(total sum square),即∑yi2\sum y_i^2∑yi2,其自由度为n−1n-1n−1,nnn是样本数。
- RSS\mathrm{RSS}RSS:残差平方和(residual sum square),即∑ei2\sum e_i^2∑ei2,其自由度为n−k−1n-k-1n−k−1,kkk为变量数,一元线性回归中k=1k=1k=1。
- ESS\mathrm{ESS}ESS:回归平方和(explained sum square),即∑y^i2\sum \hat y_i^2∑y^i2,其自由度为kkk,kkk为变量数。
拟合优度:
R2=ESSTSS=TSS−RSSTSS.R^2=\frac{\mathrm{ESS}}{\mathrm{TSS}}=\frac{\mathrm{TSS}-\mathrm{RSS}}{\mathrm{TSS}}. R2=TSSESS=TSSTSS−RSS.
用拟合优度的观点来看,拟合优度反映拟合的优良程度,故拟合得越好R2R^2R2越大。为计算,有
R2=∑y^i2∑yi2=β^12∑xi2∑yi2.R^2=\frac{\sum \hat y_i^2}{\sum y_i^2}=\frac{\hat\beta_1^2\sum x_i^2}{\sum y_i^2}. R2=∑yi2∑y^i2=∑yi2β^12∑xi2.
ttt检验:一元线性回归中的ttt检验基于变量服从的分布β^1∼N(β1,σ2∑xi2)\hat\beta_1\sim N(\beta_1,\dfrac{\sigma^2}{\sum x_i^2})β^1∼N(β1,∑xi2σ2),构造检验H0:β1=0H_0:\beta_1=0H0:β1=0,对未知的σ2\sigma^2σ2,用服从χ2(n−2)\chi^2(n-2)χ2(n−2)分布的σ^2\hat\sigma^2σ^2替代,故检验统计量为
t=β^1σ^2∑xi2=β^1Sβ^1∼t(n−2).t=\frac{\hat\beta_1}{\sqrt{\dfrac{\hat\sigma^2}{\sum x_i^2}}}=\frac{\hat\beta_1}{S_{\hat\beta_1}}\sim t(n-2). t=∑xi2σ^2β^1=Sβ^1β^1∼t(n−2).
大样本情形下,近似有β^1−β1Sβ^1∼N(0,1)\frac{\hat \beta_1-\beta_1}{S_{\hat \beta_1}}\sim N(0,1)Sβ^1β^1−β1∼N(0,1),而ttt分布大样本下接近正态分布,也可以说β^1−β1Sβ^1∼t(n−k−1)\frac{\hat \beta_1-\beta_1}{S_{\hat \beta_1}}\sim t(n-k-1)Sβ^1β^1−β1∼t(n−k−1)
置信区间:β^1±tα2(n−2)⋅Sβ^1\hat\beta_1\pm t_{\frac{\alpha}{2}}(n-2)\cdot S_{\hat\beta_1}β^1±t2α(n−2)⋅Sβ^1。
对条件均值的预测:Y^0=β^0+β^1X0\hat Y_0=\hat \beta_0+\hat \beta_1X_0Y^0=β^0+β^1X0,
E(Y^0)=E(Y0∣X0)=β0+β1X0,Var(Y^0)=Var(β^0)+X02Var(β^1)+2X0Cov(β^0,β^1)=(∑Xi2n∑xi2+X02∑xi2−2X0Xˉ∑xi2)σ2=(∑xi2n+Xˉ2+X02−2X0Xˉ)σ2∑xi2=[1n+(Xˉ−X0)2∑xi2]σ2.SE(Y0^)=σ1n+(X0−Xˉ)2∑xi2\mathrm{E}(\hat Y_0)=\mathrm{E}(Y_0|X_0)=\beta_0+\beta_1X_0,\\ \begin{aligned} \mathrm{Var}(\hat{Y}_0)&=\mathrm{Var}(\hat\beta_0)+X_0^2\mathrm{Var}(\hat\beta_1)+2X_0\mathrm{Cov}(\hat\beta_0,\hat\beta_1)\\ &=\left(\frac{\sum X_i^2}{n\sum x_i^2}+\frac{X_0^2}{\sum x_i^2}-\frac{2X_0\bar{X}}{\sum x_i^2}\right)\sigma^2\\ &=\left(\frac{\sum x_i^2}{n}+\bar{X}^2+X_0^2-2X_0\bar{X} \right)\frac{\sigma^2}{\sum x_i^2}\\ &=\left[\frac{1}{n}+\frac{(\bar{X}-X_0)^2}{\sum x_i^2} \right]\sigma^2. \end{aligned}\\ \mathrm{SE}(\hat{Y_0})=\sigma\sqrt{\frac{1}{n}+\frac{(X_0-\bar{X})^2}{\sum{x_i^2}}} E(Y^0)=E(Y0∣X0)=β0+β1X0,Var(Y^0)=Var(β^0)+X02Var(β^1)+2X0Cov(β^0,β^1)=(n∑xi2∑Xi2+∑xi2X02−∑xi22X0Xˉ)σ2=(n∑xi2+Xˉ2+X02−2X0Xˉ)∑xi2σ2=[n1+∑xi2(Xˉ−X0)2]σ2.SE(Y0^)=σn1+∑xi2(X0−Xˉ)2
当σ2\sigma^2σ2未知时,用σ^2=∑ei2n−2\hat{\sigma}^2=\sum\frac{e_i^2}{n-2}σ^2=∑n−2ei2代替,此时有Y0^\hat{Y_0}Y0^服从ttt分布,将其标准化,
t=Y0^−E(Y0∣X0)σ^1n+(X0−Xˉ)2∑xi2∼t(n−2)t=\frac{\hat{Y_0}-\mathrm{E}(Y_0|X_0)}{\hat{\sigma}\sqrt{\frac{1}{n}+\frac{(X_0-\bar{X})^2}{\sum x_i^2}}}\sim t(n-2) t=σ^n1+∑xi2(X0−Xˉ)2Y0^−E(Y0∣X0)∼t(n−2)
对个别值的预测:Y0=β0+β1X0+μY_0=\beta_0+\beta_1X_0+\muY0=β0+β1X0+μ,从而它是无偏估计,且
Var(Y0)=[1+1n+(Xˉ−X0)2∑xi2]σ2.\mathrm{Var}(Y_0)=\left[1+\frac{1}{n}+\frac{(\bar{X}-X_0)^2}{\sum x_i^2} \right]\sigma^2. Var(Y0)=[1+n1+∑xi2(Xˉ−X0)2]σ2.
1.2 多元线性回归模型
总体回归模型中包含了nnn个方程,从而Y,μY,\muY,μ是nnn维向量,β\betaβ是k+1k+1k+1维向量,XXX是(k+1)×n(k+1)\times n(k+1)×n矩阵。
Y=Xβ+μ,Y=X\beta+\mu, Y=Xβ+μ,
参数估计与预测
基本假设:
回归模型是正确设定的。
X1,⋯,XkX_1,\cdots,X_kX1,⋯,Xk在抽取的变量中具有变异性,且不存在完全的多重共线性。
rank(X)=k+1.\mathrm{rank}(X)=k+1. rank(X)=k+1.随机干扰项条件零均值。
E(μ∣X)=0.\mathrm{E}(\mu|X)=0. E(μ∣X)=0.随机干扰项条件同方差、序列不相关。
Var(μ∣X)=σ2In.\mathrm{Var}(\mu|X)=\sigma^2I_n. Var(μ∣X)=σ2In.随机干扰项服从条件正态分布。
μ∣X∼Nn(0,σ2In).\mu|X\sim N_n(0,\sigma^2I_n). μ∣X∼Nn(0,σ2In).
参数估计量的估计:β^=(X′X)−1X′Y\hat\beta=(X'X)^{-1}X'Yβ^=(X′X)−1X′Y。具有线性性、无偏性、有效性以及大样本下的一致性。
E(β^)=β,Var(β^)=σ2(X′X)−1.\mathrm{E}(\hat\beta)=\beta,\quad \mathrm{Var}(\hat\beta)=\sigma^2(X'X)^{-1}. E(β^)=β,Var(β^)=σ2(X′X)−1.
σ2\sigma^2σ2的估计:σ^2=e′en−k−1\hat\sigma^2=\dfrac{e'e}{n-k-1}σ^2=n−k−1e′e,kkk为模型中解释变量的个数。
满足基本要求的样本量:n≥3(k+1)n\ge 3(k+1)n≥3(k+1),或n≥30n\ge 30n≥30。
求条件均值E(Y0)\mathrm{E}(Y_0)E(Y0)的置信区间:Y^0=X0β^\hat{Y}_0=X_0\hat\betaY^0=X0β^,故
E(Y^0)=X0β=E(Y0),Var(Y^0)=X0Var(β^)X0′=σ2X0(X′X)−1X0′,Y^0±tα2(n−k−1)Var(Y^0).\mathrm{E}(\hat{Y}_0)=X_0\beta=\mathrm{E}(Y_0),\\ \mathrm{Var}(\hat{Y}_0)=X_0\mathrm{Var}(\hat\beta)X_0'=\sigma^2X_0(X'X)^{-1}X_0',\\ \hat{Y}_0\pm t_{\frac{\alpha}{2}}(n-k-1)\sqrt{\mathrm{Var}(\hat{Y}_0)}. E(Y^0)=X0β=E(Y0),Var(Y^0)=X0Var(β^)X0′=σ2X0(X′X)−1X0′,Y^0±t2α(n−k−1)Var(Y^0).
求个别值Y0Y_0Y0的置信区间:Y0=Y^0+μY_0=\hat{Y}_0+\muY0=Y^0+μ,故
E(Y0)=X0β,Var(Y0)=σ2[1+X0(X′X)−1X0].\mathrm{E}(Y_0)=X_0\beta,\quad \mathrm{Var}(Y_0)=\sigma^2[1+X_0(X'X)^{-1}X_0]. E(Y0)=X0β,Var(Y0)=σ2[1+X0(X′X)−1X0].
假设检验
平方和分解及其自由度:
- TSS\mathrm{TSS}TSS:总平方和,自由度为n−1n-1n−1。
- ESS\mathrm{ESS}ESS:回归平方和,自由度为kkk。
- RSS\mathrm{RSS}RSS:残差平方和,自由度为n−k−1n-k-1n−k−1。
拟合优度为R2=1−RSSTSSR^2=1-\dfrac{\mathrm{RSS}}{\mathrm{TSS}}R2=1−TSSRSS,为反应变量数的影响,常使用调整可决系数R‾2=1−RSS/(n−k−1)TSS/(n−1)\overline{R}^2=1-\dfrac{\mathrm{RSS}/(n-k-1)}{\mathrm{TSS}/(n-1)}R2=1−TSS/(n−1)RSS/(n−k−1),即分子分母各自除去其自由度,这包含了解释变量个数的影响。
信息准则:可比较所含解释变量个数不同模型的拟合优度,不同的信息准则有不同的惩罚项。两个指标都是越小越好。
- 赤池信息准则:AIC=lne′en+2(k+1)n+1+ln(2π)\displaystyle{\mathrm{AIC}=\ln\frac{e'e}{n}+\frac{2(k+1)}{n}+1+\ln(2\pi)}AIC=lnne′e+n2(k+1)+1+ln(2π)。
- 施瓦茨准则:SIC=lne′en+k+1nlnn+1+ln(2π)\displaystyle{\mathrm{SIC}=\ln\frac{e'e}{n}+\frac{k+1}{n}\ln n+1+\ln(2\pi)}SIC=lnne′e+nk+1lnn+1+ln(2π)。
ttt检验中,Sβ^j2S_{\hat\beta_j}^2Sβ^j2是β^j\hat\beta_jβ^j的方差估计,实际上是Var(β^)\mathrm{Var}(\hat\beta)Var(β^)中第jjj个对角元素,再利用σ^2\hat\sigma^2σ^2替代即可。
t=β^j−βjSβ^j∼t(n−k−1).t=\frac{\hat\beta_j-\beta_j}{S_{\hat\beta_j}}\sim t(n-k-1). t=Sβ^jβ^j−βj∼t(n−k−1).
受约束回归:对全估计参数最小二乘的残差平方和为RSSU\mathrm{RSS}_{U}RSSU,如果对参数施加约束得到的残差平方和为RSSR\mathrm{RSS}_{R}RSSR,则自然有RSSU≤RSSR\mathrm{RSS}_{U}\le \mathrm{RSS}_{R}RSSU≤RSSR。受约束回归检验的假设是H0H_0H0:约束为真。如果H0H_0H0成立,施加的约束为真,则两个残差平方和之间不应具有过大的差异,构造==FFF统计量==为
残差平方和形式:F=(RSSR−RSSU)/(kU−kR)RSSU/(n−kU−1)∼H0F(kU−kR,n−kU−1).残差平方和形式:F=\frac{(\mathrm{RSS}_{R}-\mathrm{RSS}_{U})/(k_{U}-k_{R})}{\mathrm{RSS}_{U}/(n-k_{U}-1)}\stackrel{H_0}\sim F(k_{U}-k_{R},n-k_{U}-1). 残差平方和形式:F=RSSU/(n−kU−1)(RSSR−RSSU)/(kU−kR)∼H0F(kU−kR,n−kU−1).
拟合优度(可决系数)形式:F=(RU2−RR2)/(kU−kR)(1−RU2)/(n−kU−1)∼H0F(kU−kR,n−kU−1).拟合优度(可决系数)形式:F=\frac{(R_U^2-R_R^2)/(k_U-k_R)}{(1-R_U^2)/(n-k_U-1)} \stackrel{H_0}\sim F(k_{U}-k_{R},n-k_{U}-1). 拟合优度(可决系数)形式:F=(1−RU2)/(n−kU−1)(RU2−RR2)/(kU−kR)∼H0F(kU−kR,n−kU−1).
未约束回归(全参数回归)的残差平方和更小,可决系数更大。(用于记忆公式)
因此,如果F>Fα(kU−kR,n−kU−1)F>F_{\alpha}(k_{U}-k_{R},n-k_{U}-1)F>Fα(kU−kR,n−kU−1),则拒绝原假设,认为约束为假。注意FFF检验总是单边的。
FFF检验:原假设是β1=β2=⋯=βk\beta_1=\beta_2=\cdots=\beta_kβ1=β2=⋯=βk,从而RSSR=∑yi2=TSS\mathrm{RSS}_{R}=\sum y_i^2=\mathrm{TSS}RSSR=∑yi2=TSS,故
F=(TSS−RSS)/kRSS/(n−k−1)=ESS/kRSS/(n−k−1).F=\frac{(\mathrm{TSS-RSS})/k}{\mathrm{RSS}/(n-k-1)}=\frac{\mathrm{ESS}/k}{\mathrm{RSS}/(n-k-1)}. F=RSS/(n−k−1)(TSS−RSS)/k=RSS/(n−k−1)ESS/k.原模型有kkk个解释变量,去掉qqq个变量:原假设是βk=⋯=βk−q+1=0\beta_{k}=\cdots=\beta_{k-q+1}=0βk=⋯=βk−q+1=0,从而
F=(RSSR−RSSU)/qRSSU/(n−k−1).F=\frac{(\mathrm{RSS}_{R}-\mathrm{RSS}_{U})/q}{\mathrm{RSS}_{U}/(n-k-1)}. F=RSSU/(n−k−1)(RSSR−RSSU)/q.原模型有kkk个解释变量,增加qqq个变量:原假设是βk+1=⋯=βk+q=0\beta_{k+1}=\cdots=\beta_{k+q}=0βk+1=⋯=βk+q=0,从而
F=(RSSR−RSSU)/qRSSU/(n−(k+q)−1)=(RSS−RSSU)/qRSSU/(n−k−q−1).F=\frac{(\mathrm{RSS}_{R}-\mathrm{RSS}_{U})/q}{\mathrm{RSS}_{U}/(n-(k+q)-1)}=\frac{(\mathrm{RSS}-\mathrm{RSS}_{U})/q}{\mathrm{RSS}_{U}/(n-k-q-1)}. F=RSSU/(n−(k+q)−1)(RSSR−RSSU)/q=RSSU/(n−k−q−1)(RSS−RSSU)/q.邹氏稳定性检验:有两组样本X(1),X(2)X^{(1)},X^{(2)}X(1),X(2),估计出两组参数α,β\alpha,\betaα,β,原假设是α=β\alpha=\betaα=β,从而
F=(RSSR−RSSU)/(k+1)RSSU/(n1+n2−(2k+2)).F=\frac{(\mathrm{RSS}_{R}-\mathrm{RSS}_{U})/(k+1)}{\mathrm{RSS}_{U}/(n_1+n_2-(2k+2))}. F=RSSU/(n1+n2−(2k+2))(RSSR−RSSU)/(k+1).
【中级计量经济学】Lecture 1 计量经济学初步相关推荐
- 计量经济学自相关matlab,计量经济学 自相关性.ppt
(3)检验自相关性 ①残差图分析:在方程窗口中点击Resids按钮,所显示的残差图(图5.3.7所示)表明e呈现有规律的波动,预示着可能存在自相关性. 图5.3.7 残差图 运用GENR生成序列E,观 ...
- 计量经济学建模_不了解计量经济学的前世今生,怎么能学会他
文章来源:青年教师常子洋 作者:常子洋 计量经济学的英文名称 "Econometrics" 是最早是由挪威经济学家费里希(R.Frish)于1926年模仿 "Biomet ...
- 计量广义差分操作过程_计量学堂 | 计量经济学最基本的31个问题
1.什么是计量经济学?它与经济学.统计学和数学的关系怎样? 答:1.计量经济学是一门运用经济理论和统计技术来分析经济数据的科学和艺术,它以经济理论为指导,以客观事实为依据,运用数学.统计学的方法和计算 ...
- 三个变量存在一个协整方程_计量经济学31个简答参考答案
原标题:计量经济学31个简答参考答案 你,和经济,密不可分. 读中国经济,关注经管世界! [资源] 精美简历模板+自荐信+面试技巧免费共享 来源:计量经济学 1.什么是计量经济学?它与经济学.统计学和 ...
- 三个变量存在一个协整方程_计量经济学最基本的31个问题
来源:计量经济学 编辑:学长 1.什么是计量经济学?它与经济学.统计学和数学的关系怎样? 1.计量经济学是一门运用经济理论和统计技术来分析经济数据的科学和艺术,它以经济理论为指导,以客观事实为依据,运 ...
- UESTC 计量经济学复习
第一章 回归分析概述 计量经济学研究路线 建立理论模型 确立计量经济学模型 搜集检查并整理数据 估计计量经济学模型 评价计量经济学模型 应用计量经济学模型 回归分析的现代含义 回归分析是关于研究一个叫 ...
- 计量广义差分操作过程_计量经济学总结
计量经济学集经济理论.统计学.数学为一体,计量经济学中的模型是对现实的一种描述和模拟,计量经济学有广义的计量经济学和狭义的计量经济学,广义的是说利用经济理论.统计学和数学定量研究经济现象,狭义的是指以 ...
- 计量经济学导论伍德里奇第六版答案+数据集
计量经济学导论答案 计量经济学导论伍德里奇 第四版.第五版.第六版答案+数据集均有
- 高级计量经济学(part1)--什么是计量经济学
学习笔记,仅供参考,有错必纠 参考自:陈强. 高级计量经济学[M]. 什么是计量经济学 顾名思义,"计量经济学" ( E conometrics, 也译为" 经济计量学) ...
- matlab quantile_Matlab:空间计量经济学工具箱命令汇总
1 MATLAB空间计量经济学工具箱 James P.LeSage以及多位学者开发了空间计量经济学工具箱( Spatial Econometrics Toolbox).并且在网站上发布了这个工具箱用于 ...
最新文章
- springmvc3.2+spring+hibernate4全注解方式整合(一)
- 基于OpenCV实战:对象跟踪
- vs2019 MFC 中 cannot open include file 'afxres.h' 问题解决方法
- 机器学习:范数及代码实现
- Android 新手常见的10个误区(下)
- Shell脚本之条件判断
- 理解Vue 2.5的Diff算法
- SAS宏保存以便快速调用的三种解决方案(转载)
- 【华为云技术分享】Batch Normalization (BN) 介绍
- Java 容器之 Connection栈队列及一些常用
- 孙正义:1万亿个物联网(IoT)器件正在加快人类进步
- 基于智能家居万能无线遥控系统设计
- 解决外接显示屏后CPU占用率过高问题
- 采用numpy快速将两个矩阵或数组合并成一个数组和行列转置
- 设计模式---外观(Facade)模式
- Java开发对接招行一网通支付功能的总结
- 漫画的力量,你可能一无所知
- linux c 清屏功能实现
- RHCSA/Linux基础
- oracle10G安装与配置