計(jì)量經(jīng)濟(jì)學(xué)概述課件

1、計(jì)量經(jīng)濟(jì)學(xué)概述課件計(jì)量經(jīng)濟(jì)學(xué)概述課件Ch1：經(jīng)濟(jì)數(shù)據(jù)和計(jì)量經(jīng)濟(jì)學(xué) 計(jì)量經(jīng)濟(jì)學(xué)PPT “計(jì)量經(jīng)濟(jì)學(xué)是利用經(jīng)濟(jì)理論和統(tǒng)計(jì)方法分析經(jīng)濟(jì)數(shù)據(jù)的一門科學(xué)和藝術(shù)”(斯托克和沃森2009）。 計(jì)量經(jīng)濟(jì)學(xué)研究的對(duì)象經(jīng)濟(jì)數(shù)據(jù)（Data）：數(shù)據(jù)生成過程（DGP：Data Generating Process）：事物的客觀規(guī)律，用模型表述。數(shù)據(jù)：DGP留下的痕跡，樣本或者實(shí)現(xiàn)值。目標(biāo)：通過數(shù)據(jù)發(fā)現(xiàn)或者驗(yàn)證規(guī)律，為決策提供參考。數(shù)據(jù)的類別：（1）實(shí)驗(yàn)數(shù)據(jù);（2）觀測(cè)數(shù)據(jù)。經(jīng)濟(jì)數(shù)據(jù)：大多為觀測(cè)數(shù)據(jù)。存在的問題：（1）因素難以控制；（2）數(shù)據(jù)的非規(guī)范性。解決的方法：計(jì)量經(jīng)濟(jì)學(xué)方法和技術(shù)Ch1：經(jīng)濟(jì)數(shù)據(jù)和計(jì)量經(jīng)濟(jì)學(xué) Ch1

2、：經(jīng)濟(jì)數(shù)據(jù)和計(jì)量經(jīng)濟(jì)學(xué) 計(jì)量經(jīng)濟(jì)學(xué)PPT 經(jīng)濟(jì)數(shù)據(jù)的結(jié)構(gòu)：（1）橫截面數(shù)據(jù)（cross-sectional data）：同一時(shí)間（段）從不同個(gè)體抽取的數(shù)據(jù)。研究目的：研究對(duì)象的共同特征和規(guī)律。研究難點(diǎn)：抽樣對(duì)象異質(zhì)性（heterogeneity）導(dǎo)致的樣本分布 的不同。Ch1：經(jīng)濟(jì)數(shù)據(jù)和計(jì)量經(jīng)濟(jì)學(xué) Ch1：經(jīng)濟(jì)數(shù)據(jù)和計(jì)量經(jīng)濟(jì)學(xué) 計(jì)量經(jīng)濟(jì)學(xué)PPT 經(jīng)濟(jì)數(shù)據(jù)的結(jié)構(gòu)：（2）時(shí)間序列數(shù)據(jù)（time-series data）：從同一行為主體在不同時(shí)刻得到的數(shù)據(jù)。研究目的：研究對(duì)象的動(dòng)態(tài)規(guī)律和動(dòng)態(tài)關(guān)系。研究難點(diǎn)：樣本的前后相關(guān)性（autocorrelation）導(dǎo)致的樣本 分布的非獨(dú)立性。Ch1：經(jīng)濟(jì)數(shù)據(jù)

3、和計(jì)量經(jīng)濟(jì)學(xué) Ch1：經(jīng)濟(jì)數(shù)據(jù)和計(jì)量經(jīng)濟(jì)學(xué) 計(jì)量經(jīng)濟(jì)學(xué)PPT 經(jīng)濟(jì)數(shù)據(jù)的結(jié)構(gòu)：（3） 面板數(shù)據(jù)（panel data）： 對(duì)橫截面數(shù)據(jù)中的每個(gè)樣本 在不同時(shí)點(diǎn)上進(jìn)行重復(fù)觀測(cè)得到的數(shù)據(jù) 。研究目的：有效利用面板數(shù)據(jù)中時(shí)間維度和橫截面維度上的信息，更為準(zhǔn)確地估計(jì)模型 。研究難點(diǎn)：同時(shí)兼顧時(shí)間維度和橫截面維度存在的問題（異質(zhì)性和相關(guān)性）。Ch1：經(jīng)濟(jì)數(shù)據(jù)和計(jì)量經(jīng)濟(jì)學(xué) Ch1：經(jīng)濟(jì)數(shù)據(jù)和計(jì)量經(jīng)濟(jì)學(xué) 計(jì)量經(jīng)濟(jì)學(xué)PPT 計(jì)量經(jīng)濟(jì)學(xué)的實(shí)質(zhì)學(xué)科特點(diǎn)：計(jì)量經(jīng)濟(jì)學(xué)是一門經(jīng)濟(jì)學(xué)，以經(jīng)濟(jì)學(xué)理論為基礎(chǔ)，以統(tǒng)計(jì)學(xué)和數(shù)據(jù)為工具，通過研究經(jīng)濟(jì)數(shù)據(jù)發(fā)現(xiàn)經(jīng)濟(jì)規(guī)律。研究?jī)?nèi)容：宏觀計(jì)量經(jīng)濟(jì)學(xué)、微觀計(jì)量經(jīng)濟(jì)學(xué)、金融計(jì)量經(jīng)濟(jì)學(xué)研究方法和

4、應(yīng)用：Ch1：經(jīng)濟(jì)數(shù)據(jù)和計(jì)量經(jīng)濟(jì)學(xué) Ch1：經(jīng)濟(jì)數(shù)據(jù)和計(jì)量經(jīng)濟(jì)學(xué) 計(jì)量經(jīng)濟(jì)學(xué)PPT 數(shù)據(jù)資源和軟件國內(nèi)數(shù)據(jù)：宏觀經(jīng)濟(jì)數(shù)據(jù)：中經(jīng)網(wǎng)金融數(shù)據(jù)：Wind咨詢、國泰安數(shù)據(jù)庫 世界數(shù)據(jù)：世界銀行網(wǎng)站國際貨幣基金組織網(wǎng)站/external/index.htm美聯(lián)儲(chǔ)網(wǎng)站 軟件：Eviews（本書采用）、SAS、SPSS等。Ch1：經(jīng)濟(jì)數(shù)據(jù)和計(jì)量經(jīng)濟(jì)學(xué) Ch2：概率統(tǒng)計(jì)復(fù)習(xí) 計(jì)量經(jīng)濟(jì)學(xué)PPT 概率論復(fù)習(xí)隨機(jī)變量：取值和概率分布為其決定因素，分為離散和連續(xù)離散隨機(jī)變量：取有限或者可列無限多值，用分布函數(shù)描述概率分布重要特例：二項(xiàng)分布（binomial distribution）取值：0，1，2，n，概率： n=

5、1時(shí)為兩點(diǎn)分布（0-1分布）取值：0，1概率：Ch2：概率統(tǒng)計(jì)復(fù)習(xí) Ch2：概率統(tǒng)計(jì)復(fù)習(xí) 計(jì)量經(jīng)濟(jì)學(xué)PPT 概率論復(fù)習(xí)連續(xù)隨機(jī)變量：在連續(xù)的實(shí)數(shù)區(qū)間取值，用概率密度函數(shù)描述概率分布。連續(xù)隨機(jī)變量的取值均假設(shè)為一切實(shí)數(shù)，只取部分實(shí)數(shù)時(shí)，將不取值部分對(duì)應(yīng)的概率密度設(shè)為0。重要特例：正態(tài)分布（Normal distribution）取值：（-，+）概率密度： ： 標(biāo)準(zhǔn)正態(tài)分布隨機(jī)變量標(biāo)準(zhǔn)化：=0，=1Ch2：概率統(tǒng)計(jì)復(fù)習(xí) Ch2：概率統(tǒng)計(jì)復(fù)習(xí) 計(jì)量經(jīng)濟(jì)學(xué)PPT 概率論復(fù)習(xí)隨機(jī)變量的統(tǒng)一定義：（1）取一切實(shí)數(shù)；（2）用概率函數(shù)描述概率分布概率函數(shù)：連續(xù)隨機(jī)變量：離散隨機(jī)變量： Ch2：概率統(tǒng)計(jì)復(fù)習(xí) C

6、h2：概率統(tǒng)計(jì)復(fù)習(xí) 計(jì)量經(jīng)濟(jì)學(xué)PPT 概率論復(fù)習(xí)隨機(jī)變量的數(shù)字特征：數(shù)學(xué)期望（Expectation，mean）Ec：隨機(jī)變量取值的概率加權(quán)平均。方差（Variance） Var(c)：隨機(jī)變量的隨機(jī)性。方差等于0？ Var(c)=E(c-Ec)2= Ec2- E(c)2偏度（Skewness）：峰度（Kurtosis）：正態(tài)分布的偏度為0、峰度為3Ch2：概率統(tǒng)計(jì)復(fù)習(xí) Ch2：概率統(tǒng)計(jì)復(fù)習(xí) 計(jì)量經(jīng)濟(jì)學(xué)PPT 概率論復(fù)習(xí) - 分布Ch2：概率統(tǒng)計(jì)復(fù)習(xí) Ch2：概率統(tǒng)計(jì)復(fù)習(xí) 計(jì)量經(jīng)濟(jì)學(xué)PPT 概率論復(fù)習(xí)Ch2：概率統(tǒng)計(jì)復(fù)習(xí) Ch2：概率統(tǒng)計(jì)復(fù)習(xí) 計(jì)量經(jīng)濟(jì)學(xué)PPT 概率論復(fù)習(xí)Ch2：概率統(tǒng)計(jì)復(fù)習(xí)

7、Ch2：概率統(tǒng)計(jì)復(fù)習(xí) 計(jì)量經(jīng)濟(jì)學(xué)PPT 概率論復(fù)習(xí) 隨機(jī)向量：（1）聯(lián)合分布 聯(lián)合分布函數(shù)： 聯(lián)合密度函數(shù)（2）矩 數(shù)學(xué)期望向量： 方差-協(xié)方差矩陣：Ch2：概率統(tǒng)計(jì)復(fù)習(xí) Ch2：概率統(tǒng)計(jì)復(fù)習(xí) 計(jì)量經(jīng)濟(jì)學(xué)PPT 概率論復(fù)習(xí) 隨機(jī)向量： 協(xié)方差和相關(guān)系數(shù)： 相關(guān)系數(shù)等于0意味著什么？相關(guān)系數(shù)等于1呢？（3）條件分布 條件概率分布函數(shù)： 條件概率密度函數(shù)： 乘法公式：Ch2：概率統(tǒng)計(jì)復(fù)習(xí) Ch2：概率統(tǒng)計(jì)復(fù)習(xí) 計(jì)量經(jīng)濟(jì)學(xué)PPT 概率論復(fù)習(xí) 隨機(jī)向量： （3）條件分布 條件矩： 條件數(shù)學(xué)期望： 條件方差： 條件數(shù)學(xué)期望和條件方差都是條件隨機(jī)變量（）的函數(shù)，是隨機(jī)變量。 Ch2：概率統(tǒng)計(jì)復(fù)習(xí) Ch2：

8、概率統(tǒng)計(jì)復(fù)習(xí) 計(jì)量經(jīng)濟(jì)學(xué)PPT 概率論復(fù)習(xí) 極限定理： （1）大數(shù)定律（LLN: Law of Large Number） Ch2：概率統(tǒng)計(jì)復(fù)習(xí) Ch2：概率統(tǒng)計(jì)復(fù)習(xí) 計(jì)量經(jīng)濟(jì)學(xué)PPT 概率論復(fù)習(xí) 極限定理： （2）中心極限定理（CLT: Central Limit Theory） Ch2：概率統(tǒng)計(jì)復(fù)習(xí) Ch2：概率統(tǒng)計(jì)復(fù)習(xí) 計(jì)量經(jīng)濟(jì)學(xué)PPT 統(tǒng)計(jì)學(xué)復(fù)習(xí) 樣本： （1）樣本是隨機(jī)變量 （2）統(tǒng)計(jì)量是樣本的函數(shù) 樣本均值和樣本方差： 如果是正態(tài)總體， 如果是非正態(tài)總體，由中心極限定理 Ch2：概率統(tǒng)計(jì)復(fù)習(xí) Ch2：概率統(tǒng)計(jì)復(fù)習(xí) 計(jì)量經(jīng)濟(jì)學(xué)PPT 統(tǒng)計(jì)學(xué)復(fù)習(xí) 樣本： 樣本矩： 樣本偏度和樣本峰度：

9、 由大數(shù)定律， 樣本偏度和峰度收斂度總體偏度Skew和峰度 Ch2：概率統(tǒng)計(jì)復(fù)習(xí) Ch2：概率統(tǒng)計(jì)復(fù)習(xí) 計(jì)量經(jīng)濟(jì)學(xué)PPT 統(tǒng)計(jì)學(xué)復(fù)習(xí) 參數(shù)估計(jì)： 總體 為未知參數(shù)，用樣本提供的信息估計(jì)出 （1）矩估計(jì)： 令從中解出估計(jì)量 Ch2：概率統(tǒng)計(jì)復(fù)習(xí) Ch2：概率統(tǒng)計(jì)復(fù)習(xí) 計(jì)量經(jīng)濟(jì)學(xué)PPT 統(tǒng)計(jì)學(xué)復(fù)習(xí) 參數(shù)估計(jì)： 總體 為未知參數(shù)，用樣本提供的信息估計(jì)出 （2）極大似然估計(jì)： 樣本似然函數(shù) （i）離散總體 （ii）連續(xù)總體 對(duì)數(shù)似然函數(shù) Ch2：概率統(tǒng)計(jì)復(fù)習(xí) Ch2：概率統(tǒng)計(jì)復(fù)習(xí) 計(jì)量經(jīng)濟(jì)學(xué)PPT 統(tǒng)計(jì)學(xué)復(fù)習(xí) 參數(shù)估計(jì)： 估計(jì)量的評(píng)價(jià)標(biāo)準(zhǔn)： （1）一致估計(jì)： （2）無偏估計(jì)： （3）有效估計(jì)： 都是

10、的無偏估計(jì) 一致性是估計(jì)量的最低要求，也是最為重要的性質(zhì)。一致性是在樣本量無限大時(shí)對(duì)估計(jì)量的評(píng)價(jià)，有效性則是在樣本量有限時(shí)對(duì)估計(jì)量的比較。 Ch2：概率統(tǒng)計(jì)復(fù)習(xí) Ch2：概率統(tǒng)計(jì)復(fù)習(xí) 計(jì)量經(jīng)濟(jì)學(xué)PPT 統(tǒng)計(jì)學(xué)復(fù)習(xí)假設(shè)檢驗(yàn)： 為什么進(jìn)行假設(shè)檢驗(yàn)？樣本中的隨機(jī)性（噪音）對(duì)判斷的干擾 （1）假設(shè)檢驗(yàn)的原理：小概率事件原理 （2）原假設(shè)和備擇假設(shè)：雙邊檢驗(yàn)和單邊檢驗(yàn) （3）假設(shè)檢驗(yàn)的關(guān)鍵：構(gòu)造檢驗(yàn)統(tǒng)計(jì)量，給定顯著水平，計(jì)算小概率 事件（拒絕域）。 （4）假設(shè)檢驗(yàn)方法的評(píng)價(jià)標(biāo)準(zhǔn)：兩類錯(cuò)誤和檢驗(yàn)功效（Power） （5）一個(gè)非參數(shù)檢驗(yàn)的例子：正態(tài)分布檢驗(yàn)（J-B檢驗(yàn)） Ch2：概率統(tǒng)計(jì)復(fù)習(xí) Ch3：回歸分

11、析的基本概念和方法 計(jì)量經(jīng)濟(jì)學(xué)PPT 一元線性回歸模型模型設(shè)定： 經(jīng)濟(jì)變量為隨機(jī)變量，之間的關(guān)系為隨機(jī)關(guān)系： y ：因變量（被解釋變量：dependent variable，regressand） x ：自變量（解釋變量：independent variable，regressor） f ：回歸函數(shù)：誤差項(xiàng)將回歸函數(shù)取為解釋變量的線性函數(shù)，得出一元線性回歸模型總體模型從總體中抽取的樣本(xi ,yi)滿足模型樣本模型Ch3：回歸分析的基本概念和方法 Ch3：回歸分析的基本概念和方法 計(jì)量經(jīng)濟(jì)學(xué)PPT 一元線性回歸模型模型設(shè)定： 為什么不同樣本模型采用不同的誤差項(xiàng)i？模型需要滿足一定的條件，體現(xiàn)

12、在對(duì)誤差項(xiàng)的要求上。 四個(gè)基本假設(shè)：假設(shè)1零均值假設(shè)：誤差項(xiàng)的數(shù)學(xué)期望等于0 假設(shè)的含義和必要性：常數(shù)項(xiàng)的識(shí)別問題。假設(shè)2同方差假設(shè)：自變量給定條件下，樣本誤差項(xiàng)具有相同的方差 在給定自變量的條件下，等價(jià)于Ch3：回歸分析的基本概念和方法 Ch3：回歸分析的基本概念和方法 計(jì)量經(jīng)濟(jì)學(xué)PPT 一元線性回歸模型模型設(shè)定：假設(shè)3不相關(guān)假設(shè)：自變量給定條件下，樣本誤差項(xiàng)互不相關(guān) 等價(jià)于假設(shè)4正態(tài)分布假設(shè)：自變量給定條件下，誤差項(xiàng)服從正態(tài)分布等價(jià)于Ch3：回歸分析的基本概念和方法 Ch3：回歸分析的基本概念和方法 計(jì)量經(jīng)濟(jì)學(xué)PPT 一元線性回歸模型模型設(shè)定： 例如：x：可支配收入 15.3+0.61xC

13、h3：回歸分析的基本概念和方法 Ch3：回歸分析的基本概念和方法 計(jì)量經(jīng)濟(jì)學(xué)PPT 一元線性回歸模型參數(shù)估計(jì)（OLS）：因變量預(yù)測(cè)值：殘差（residual）：殘差平方和（RSS）：極小化殘差平方和，得出一階條件 等價(jià)地 （OLS殘差性質(zhì)）Ch3：回歸分析的基本概念和方法 Ch3：回歸分析的基本概念和方法 計(jì)量經(jīng)濟(jì)學(xué)PPT 一元線性回歸模型參數(shù)估計(jì)（OLS）：從一階條件得出回歸系數(shù)OLS估計(jì)公式其中第二個(gè)公式可寫為有關(guān)計(jì)算（可在Excel中實(shí)現(xiàn)）。 Ch3：回歸分析的基本概念和方法 Ch3：回歸分析的基本概念和方法 計(jì)量經(jīng)濟(jì)學(xué)PPT 一元線性回歸模型參數(shù)OLS估計(jì)量的性質(zhì)：在基本假設(shè)滿足時(shí)，O

14、LS估計(jì)量（1）無偏性：假設(shè)1滿足時(shí)（2）一致性：假設(shè)1和假設(shè)3滿足時(shí)（3）有效性：在假設(shè)1假設(shè)3滿足時(shí)，OLS估計(jì)的方差比其他線性無偏估 計(jì)的方差小。Ch3：回歸分析的基本概念和方法 Ch3：回歸分析的基本概念和方法 計(jì)量經(jīng)濟(jì)學(xué)PPT 一元線性回歸模型參數(shù)OLS估計(jì)量的分布：在基本假設(shè)4滿足時(shí)，OLS估計(jì)量服從正態(tài)分布但誤差項(xiàng)方差未知，需要估計(jì)。2的估計(jì)：基本思想：誤差項(xiàng)不可觀測(cè)，得不到樣本，殘差為誤差的一致估計(jì)，可代 替誤差項(xiàng)構(gòu)造估計(jì)量：Ch3：回歸分析的基本概念和方法 Ch3：回歸分析的基本概念和方法 計(jì)量經(jīng)濟(jì)學(xué)PPT 一元線性回歸模型2的估計(jì)：基本思想：誤差項(xiàng)不可觀測(cè)，得不到樣本，殘差

15、為誤差的一致估計(jì)，可代 替誤差項(xiàng)構(gòu)造估計(jì)量。 稱為回歸標(biāo)準(zhǔn)誤（S.E.R）。誤差方差的估計(jì)是用殘差平方和構(gòu)造的，殘差平方和和參數(shù)估計(jì)量滿足 并且 和 及 獨(dú)立Ch3：回歸分析的基本概念和方法 Ch3：回歸分析的基本概念和方法 計(jì)量經(jīng)濟(jì)學(xué)PPT 一元線性回歸模型OLS估計(jì)量的標(biāo)準(zhǔn)誤（Std. Error）：OLS估計(jì)量標(biāo)準(zhǔn)化后的分布Ch3：回歸分析的基本概念和方法 Ch3：回歸分析的基本概念和方法 計(jì)量經(jīng)濟(jì)學(xué)PPT 一元線性回歸模型回歸系數(shù)顯著性檢驗(yàn)（t檢驗(yàn)）以斜率系數(shù)為例： 檢驗(yàn)的假設(shè)（雙邊檢驗(yàn)）檢驗(yàn)統(tǒng)計(jì)量（原假設(shè)下）服從的分布當(dāng)樣本量較大時(shí)，常以2作為檢驗(yàn)的臨界值：t-值大于2拒絕原假設(shè)，可

16、認(rèn)為解釋變量對(duì)因變量有明顯影響；t-值小于2不能拒絕原假設(shè)，不能認(rèn)為解釋變量對(duì)因變量有明顯影響。Ch3：回歸分析的基本概念和方法 Ch3：回歸分析的基本概念和方法 計(jì)量經(jīng)濟(jì)學(xué)PPT 一元線性回歸模型模型整體效果評(píng)價(jià)：擬合優(yōu)度R2和F檢驗(yàn)平方和分解公式：擬合優(yōu)度：在模型包含常數(shù)項(xiàng)時(shí)：F檢驗(yàn)：在假設(shè) 下， F 服從第一自由度為1、第二自由度為n-2的F分布。Ch3：回歸分析的基本概念和方法 Ch4：多元線性回歸模型 計(jì)量經(jīng)濟(jì)學(xué)PPT 模型設(shè)定：總體模型：其中樣本模型：模型誤差項(xiàng)滿足5個(gè)基本假設(shè)，假設(shè)1假設(shè)4與一元回歸模型相同假設(shè)5：無共線性假設(shè) 解釋變量樣本向量間不存在線性相關(guān)關(guān)系 Ch4：多元線

17、性回歸模型 Ch4：多元線性回歸模型 計(jì)量經(jīng)濟(jì)學(xué)PPT 參數(shù)估計(jì)（OLS）：極小化殘差平方和得出一階條件Ch4：多元線性回歸模型 Ch4：多元線性回歸模型 計(jì)量經(jīng)濟(jì)學(xué)PPT 參數(shù)估計(jì)（OLS）：引進(jìn)矩陣符號(hào)，采用矩陣運(yùn)算基本假設(shè)的矩陣表示假設(shè)2-假設(shè)3：假設(shè)5： 即 為滿秩矩陣，可逆Ch4：多元線性回歸模型 Ch4：多元線性回歸模型 計(jì)量經(jīng)濟(jì)學(xué)PPT 參數(shù)估計(jì)（OLS）：殘差平方和用矩陣表示為極值一階條件矩陣表示為從中解出另一種表示Ch4：多元線性回歸模型 Ch4：多元線性回歸模型 計(jì)量經(jīng)濟(jì)學(xué)PPT 參數(shù)OLS估計(jì)的性質(zhì)（假設(shè)5）：（1）無偏性（假設(shè)1）：（2）一致性（假設(shè)1、假設(shè)3）：（3）

18、有效性（假設(shè)1-假設(shè)3）： 設(shè) 是 任意一個(gè)線性無偏估計(jì)，則 （ 非負(fù)定）（4）正態(tài)分布（假設(shè)1-假設(shè)）： Ch4：多元線性回歸模型 Ch4：多元線性回歸模型 計(jì)量經(jīng)濟(jì)學(xué)PPT 當(dāng)k=2時(shí)，參數(shù)OLS估計(jì)可以寫為：其中Ch4：多元線性回歸模型 Ch4：多元線性回歸模型 計(jì)量經(jīng)濟(jì)學(xué)PPT 由此可以得出：其中 為樣本相關(guān)系數(shù)（考慮共線性對(duì)參數(shù)估計(jì)方差的影響）Ch4：多元線性回歸模型 Ch4：多元線性回歸模型 計(jì)量經(jīng)濟(jì)學(xué)PPT 誤差方差的估計(jì)： 與 獨(dú)立由此得出參數(shù)估計(jì)的標(biāo)準(zhǔn)誤（Std.Error）及參數(shù)顯著性檢驗(yàn)統(tǒng)計(jì)量Ch4：多元線性回歸模型 Ch4：多元線性回歸模型 計(jì)量經(jīng)濟(jì)學(xué)PPT 回歸系數(shù)顯

19、著性檢驗(yàn)（t-檢驗(yàn)）：待檢驗(yàn)假設(shè)：原假設(shè)下檢驗(yàn)統(tǒng)計(jì)量的分布：臨界值：查自由為n-(k+1)的t-分布表，當(dāng)n較大時(shí)，用2作為臨界值。模型整體評(píng)價(jià)（一）：擬合優(yōu)度R2和調(diào)整擬R2R2的缺陷：添加解釋變量增加R2的值。為此提出調(diào)整R2 Ch4：多元線性回歸模型 Ch4：多元線性回歸模型 計(jì)量經(jīng)濟(jì)學(xué)PPT 模型整體評(píng)價(jià)（二）：信息準(zhǔn)則 -2倍平均對(duì)數(shù)似然值加懲罰因子 AIC：SC：HQ：l為模型極大似然估計(jì)的最大似然值。應(yīng)用準(zhǔn)則：AIC、SC、HQ的值達(dá)到最小。和R2及調(diào)整R2的關(guān)系Ch4：多元線性回歸模型 Ch4：多元線性回歸模型 計(jì)量經(jīng)濟(jì)學(xué)PPT 模型整體評(píng)價(jià)（三）：F檢驗(yàn) 待檢驗(yàn)假設(shè)： 原假設(shè)

20、下統(tǒng)計(jì)量的分布： 臨界值：查F分布表 和R2的關(guān)系： 另一種檢驗(yàn)統(tǒng)計(jì)量： Ch4：多元線性回歸模型 Ch4：多元線性回歸模型 計(jì)量經(jīng)濟(jì)學(xué)PPT 用Eviews估計(jì)和檢驗(yàn)?zāi)Ｐ停?用符號(hào)標(biāo)記參數(shù)：輸出結(jié)果 Ch4：多元線性回歸模型 Ch5：線性回歸模型的應(yīng)用 計(jì)量經(jīng)濟(jì)學(xué)PPT 因素控制缺失變量導(dǎo)致的估計(jì)偏誤：正確模型：估計(jì)模型：沒有能夠控制住價(jià)格因素P對(duì)消費(fèi)的影響，導(dǎo)致邊際消費(fèi)傾向1估計(jì)錯(cuò)誤。由此導(dǎo)致的估計(jì)偏誤為 一般情形：正確模型估計(jì)模型模型設(shè)定時(shí)缺失了變量q ，由此導(dǎo)致估計(jì)偏誤為Ch5：線性回歸模型的應(yīng)用 Ch5：線性回歸模型的應(yīng)用 計(jì)量經(jīng)濟(jì)學(xué)PPT 因素控制缺失變量導(dǎo)致的估計(jì)偏誤：其中i為回

21、歸模型的回歸系數(shù)。例子5.1（貨幣需求量）Chow（1966.4：journal of political economy）y表示貨幣存量自然對(duì)數(shù)；x1表示永久性收入自然對(duì)數(shù)；x2表示當(dāng)前收入自然對(duì)數(shù)，x3表示利率自然對(duì)數(shù)。估計(jì)結(jié)果Ch5：線性回歸模型的應(yīng)用 Ch5：線性回歸模型的應(yīng)用 計(jì)量經(jīng)濟(jì)學(xué)PPT 因素控制Talor & Newhouse（1969.7：journal of political economy）y表示貨幣存量自然對(duì)數(shù)；x1表示永久性收入自然對(duì)數(shù)；x2表示當(dāng)前收入自然對(duì)數(shù)，x3表示利率自然對(duì)數(shù)， yt-1表示y 的前期值。估計(jì)結(jié)果x1和yt-1的相關(guān)系數(shù)高達(dá)0.9885，另

22、個(gè)變量高度相關(guān)，丟掉yt-1夸大了永久性收入的重要性 Ch5：線性回歸模型的應(yīng)用 Ch5：線性回歸模型的應(yīng)用 計(jì)量經(jīng)濟(jì)學(xué)PPT 因素控制因素剔除： 正確設(shè)定的模型采用兩步回歸法剔除Ct-1的影響第一步：剔除Ct-1對(duì)It的影響： 估計(jì)模型 回歸殘差 已不包含Ct-1的影響；第二步：剔除Ct-1對(duì)Ct的影響： 估計(jì)模型 回歸殘差 已不包含Ct-1的影響；Ch5：線性回歸模型的應(yīng)用 Ch5：線性回歸模型的應(yīng)用 計(jì)量經(jīng)濟(jì)學(xué)PPT 因素控制第三步：將 對(duì) 進(jìn)行回歸：簡(jiǎn)單相關(guān)、偏相關(guān)和復(fù)相關(guān)偏相關(guān)系數(shù)：復(fù)相關(guān)：回歸擬合優(yōu)度R2可看做復(fù)相關(guān)的度量 模型中變量的形式邊際和彈性：Ch5：線性回歸模型的應(yīng)用 C

23、h5：線性回歸模型的應(yīng)用 計(jì)量經(jīng)濟(jì)學(xué)PPT 模型中變量的形式雙對(duì)數(shù)模型和半對(duì)數(shù)模型： 雙對(duì)數(shù)模型： 半對(duì)數(shù)模型：（半彈性）標(biāo)準(zhǔn)化變量： 變量（樣本）標(biāo)準(zhǔn)化：標(biāo)準(zhǔn)化變量回歸模型參數(shù)和原始參數(shù)的關(guān)系：標(biāo)準(zhǔn)化變量回歸模型系數(shù)的直觀含義。Ch5：線性回歸模型的應(yīng)用 Ch5：線性回歸模型的應(yīng)用 計(jì)量經(jīng)濟(jì)學(xué)PPT 模型中變量的形式解釋變量的高階項(xiàng)： 平方項(xiàng)（拋物線模型）： 例如 平均成本模型： 其他非線性模型： 例如雙曲線模型 邏輯斯蒂模型 Ch5：線性回歸模型的應(yīng)用 Ch5：線性回歸模型的應(yīng)用 計(jì)量經(jīng)濟(jì)學(xué)PPT 模型中變量的形式例子5.4 中國內(nèi)地非典新增疑似病例數(shù)模型 Ch5：線性回歸模型的應(yīng)用 Ch

24、5：線性回歸模型的應(yīng)用 計(jì)量經(jīng)濟(jì)學(xué)PPT 虛擬變量只取0、1兩個(gè)值，表示類別或者狀態(tài)例如消費(fèi)模型中對(duì)不同收入家庭進(jìn)行區(qū)分：以加法方式引入模型： 改變模型常數(shù)項(xiàng)。以乘法方式引入模型： 改變模型斜率系數(shù)Ch5：線性回歸模型的應(yīng)用 Ch5：線性回歸模型的應(yīng)用 計(jì)量經(jīng)濟(jì)學(xué)PPT 虛擬變量以混合方式引入模型： 改變模型常數(shù)項(xiàng)和斜率系數(shù)。引入多個(gè)虛擬變量：注意：包含常數(shù)項(xiàng)的模型，四個(gè)季節(jié)只能引入3個(gè)虛擬變量，否則會(huì)造成完全多重共線性。Ch5：線性回歸模型的應(yīng)用 Ch5：線性回歸模型的應(yīng)用 計(jì)量經(jīng)濟(jì)學(xué)PPT 參數(shù)約束檢驗(yàn)（F-檢驗(yàn)）原理：（1）約束模型回歸，得出殘差平方和（約束殘差平方和）（2）無約束模型回

25、歸，得出殘差平方和（無約束殘差平方和）（3）在原假設(shè)（約束條件成立）下，檢驗(yàn)統(tǒng)計(jì)量的分布應(yīng)用： （i）回歸系數(shù)顯著性聯(lián)合檢驗(yàn)： 待檢驗(yàn)?zāi)Ｐ停?待檢驗(yàn)假設(shè)：Ch5：線性回歸模型的應(yīng)用 Ch5：線性回歸模型的應(yīng)用 計(jì)量經(jīng)濟(jì)學(xué)PPT 參數(shù)約束檢驗(yàn)（F-檢驗(yàn)）可采用回歸擬合優(yōu)度計(jì)算F-檢驗(yàn)統(tǒng)計(jì)量的值 （ii）函數(shù)形式檢驗(yàn)（RESET：Regression Equation Specification Error Test ）： 待檢驗(yàn)?zāi)Ｐ停?待檢驗(yàn)假設(shè)：是否需要引入解釋變量高階項(xiàng) 檢驗(yàn)步驟： Step1：對(duì)原模型進(jìn)行回歸，得出擬合值 Step2：對(duì)模型 進(jìn)行回歸，并對(duì)假設(shè) 進(jìn)行聯(lián)合檢驗(yàn)Ch5：線性回歸

26、模型的應(yīng)用 Ch5：線性回歸模型的應(yīng)用 計(jì)量經(jīng)濟(jì)學(xué)PPT 參數(shù)約束檢驗(yàn)（F-檢驗(yàn)） （iii）Chow檢驗(yàn)（Chow Test：結(jié)構(gòu)變點(diǎn)檢驗(yàn) ）： 檢驗(yàn)兩組樣本服從的回歸模型是否一樣（待檢驗(yàn)假設(shè)） 無約束殘差平方和：對(duì)兩組數(shù)據(jù)分別回歸，將其回歸殘差相加； 約束殘差平方和：將兩組數(shù)據(jù)放在一起回歸，得出的殘差平方和。檢驗(yàn)統(tǒng)計(jì)量及其分布：在時(shí)間序列數(shù)據(jù)中即為變點(diǎn)檢驗(yàn)（change point test），可用EViews實(shí)現(xiàn)。Ch5：線性回歸模型的應(yīng)用 Ch6：異方差、自相關(guān)和多重共線性 計(jì)量經(jīng)濟(jì)學(xué)PPT 對(duì)古典線性回歸模型基本假設(shè)不滿足的處理：廣義OLS. 包括（i）基本假設(shè)不滿足時(shí)仍采用OLS帶

27、來的后果； （ii）對(duì)基本假設(shè)是否滿足進(jìn)行檢驗(yàn)； （iii）對(duì)OLS方法的改進(jìn)GLS 一、異方差定義：存在i,j，使得后果：（1）不影響OLS估計(jì)的無偏性和一致性； （2）OLS估計(jì)的有效性不再成立（存在方差更小的估計(jì)）； （3）不存在公共的誤差項(xiàng)方差2的，其估計(jì)也不再有效，以此計(jì) 算的參數(shù)估計(jì)標(biāo)準(zhǔn)誤以及t-檢驗(yàn)統(tǒng)計(jì)量和F檢驗(yàn)統(tǒng)計(jì)量不正 確，檢驗(yàn)無效。Ch6：異方差、自相關(guān)和多重共線性 Ch6：異方差、自相關(guān)和多重共線性 計(jì)量經(jīng)濟(jì)學(xué)PPT 大樣本下的解決方法（White1980）： 參數(shù)估計(jì)漸進(jìn)方差計(jì)算公式（以斜率參數(shù)為例）（White Heteroskedasticity-Consisten

28、t ）：以此計(jì)算的t-統(tǒng)計(jì)量在大樣本下漸進(jìn)有效（參見本章附錄）。Eviews模型設(shè)定選項(xiàng)可進(jìn)行選擇Ch6：異方差、自相關(guān)和多重共線性 Ch6：異方差、自相關(guān)和多重共線性 計(jì)量經(jīng)濟(jì)學(xué)PPT 異方差檢驗(yàn)（White Test）： 形式設(shè)定： 回歸形式： 檢驗(yàn)?zāi)Ｐ停海ㄒ詺埐畲嬲`差） （輔助回歸） 檢驗(yàn)假設(shè)： 檢驗(yàn)步驟：S1：OLS回歸原模型，得到殘差序列； S2：將殘差平方對(duì)影響變量回歸，得出擬合優(yōu)度R2； S3：原假設(shè)下nR2服從自由度為r的2分布。 注意：輔助回歸中解釋變量（異方差影響變量）的選取。 Ch6：異方差、自相關(guān)和多重共線性 Ch6：異方差、自相關(guān)和多重共線性 計(jì)量經(jīng)濟(jì)學(xué)PPT 異方

29、差的修正加權(quán)最小二乘法WLS： 如果方差已知： 模型變換： 估計(jì)模型：相當(dāng)于極小化加權(quán)殘差RSSw 方差未知：可行OLSFOLS： （1）以殘差絕對(duì)值代替標(biāo)準(zhǔn)差進(jìn)行加權(quán)； （2）用輔助回歸估計(jì)的標(biāo)準(zhǔn)差進(jìn)行加權(quán)；Ch6：異方差、自相關(guān)和多重共線性 Ch6：異方差、自相關(guān)和多重共線性 計(jì)量經(jīng)濟(jì)學(xué)PPT 二、自相關(guān)定義：存在i,j，使得后果: 1）不影響OLS估計(jì)的無偏性和一致性； 2）OLS估計(jì)的有效性不再成立（存在方差更小的估計(jì)）； 3）不存在公共的誤差項(xiàng)方差2，其估計(jì)也不再有效，以此計(jì) 算的參數(shù)估計(jì)標(biāo)準(zhǔn)誤以及t-檢驗(yàn)統(tǒng)計(jì)量和F檢驗(yàn)統(tǒng)計(jì)量不正 確，檢驗(yàn)無效。大樣本下的解決方法（Newy-West

30、 1982）： 漸進(jìn)方差估計(jì)公式（Newey-West Heteroskedasticity-Autocorrelation Consistent ）以此計(jì)算的t-統(tǒng)計(jì)量在大樣本下漸進(jìn)有效（參見本章附錄）。Eviews模型設(shè)定選項(xiàng)可進(jìn)行選擇。Ch6：異方差、自相關(guān)和多重共線性 Ch6：異方差、自相關(guān)和多重共線性 計(jì)量經(jīng)濟(jì)學(xué)PPT 自相關(guān)檢驗(yàn)（一）德賓-沃森檢驗(yàn)（ Durbin-Watson Test）： 形式設(shè)定：一階自回歸誤差項(xiàng) 檢驗(yàn)假設(shè)： 檢驗(yàn)統(tǒng)計(jì)量： 臨界值：上臨界值和下臨界值（D-W值表） 判 斷：0 dl du 2 4du 4dl 4Ch6：異方差、自相關(guān)和多重共線性 Ch6：異方差

31、、自相關(guān)和多重共線性 計(jì)量經(jīng)濟(jì)學(xué)PPT 自變量包含因變量滯后項(xiàng) 德賓檢驗(yàn)（DurbinTest）： 模型形式： 檢驗(yàn)統(tǒng)計(jì)量及其分布：自相關(guān)檢驗(yàn)（二）布勞殊-戈弗雷（Breusch-Godfrey） 自相關(guān)形式(AR(r): 檢驗(yàn)?zāi)Ｐ停ㄝo助回歸）：Ch6：異方差、自相關(guān)和多重共線性 Ch6：異方差、自相關(guān)和多重共線性 計(jì)量經(jīng)濟(jì)學(xué)PPT 自變量包含因變量滯后項(xiàng) 德賓檢驗(yàn)（DurbinTest）： 檢驗(yàn)假設(shè)： 檢驗(yàn)統(tǒng)計(jì)量及分布：輔助回歸的擬合優(yōu)度為R2，則nR2漸進(jìn)服從自 由度為r的2（r）分布。Eviews操作。自相關(guān)的修正：廣義差分法 回歸模型： 一階自回歸誤差項(xiàng)： （1）r已知：廣義差分變換：

32、Ch6：異方差、自相關(guān)和多重共線性 Ch6：異方差、自相關(guān)和多重共線性 計(jì)量經(jīng)濟(jì)學(xué)PPT 變換后的模型誤差項(xiàng)消除一階自相關(guān)（2） r未知：Cochrane-Orcutt迭代法 S1：對(duì)原模型實(shí)施OLS估計(jì)，得出殘差序列 ， 以此估計(jì) 出 ，或者利用關(guān)系式 S2：用 實(shí)施廣義差分，對(duì)差分后模型進(jìn)行OLS估計(jì)，得出殘差序列 ，計(jì)算出殘差序列樣本相關(guān)系數(shù) S3：重復(fù)以上過程，得出序列 ，直到收斂。 S4：用最后一次的相關(guān)系數(shù)進(jìn)行廣義差分并估計(jì)模型參數(shù)。Ch6：異方差、自相關(guān)和多重共線性 Ch6：異方差、自相關(guān)和多重共線性 計(jì)量經(jīng)濟(jì)學(xué)PPT 自回歸誤差項(xiàng)模型的非線性估計(jì)模型可以表示為：用約束回歸（回歸

33、參數(shù)滿足一定的約束條件）方法估計(jì)變換后的模型參數(shù)。EViews估計(jì)一階自回歸模型采用就是這種方法。而且也以對(duì)任意階自回歸誤差項(xiàng)模型進(jìn)行估計(jì)。 Ch6：異方差、自相關(guān)和多重共線性 Ch6：異方差、自相關(guān)和多重共線性 計(jì)量經(jīng)濟(jì)學(xué)PPT 三、多重共線性定義: (1)完全多重共線性（perfect collinearity） 解釋變量樣本形成的矩陣X非滿秩，XX不可逆，OLS估計(jì)無解 (2)高度共線性：解釋變量樣本向量高度相關(guān)后果: 導(dǎo)致參數(shù)估計(jì)方差大幅增加，顯著降低參數(shù)估計(jì)精度，可信度 下降原理： ， 對(duì)角線元素很大。共線性對(duì)參數(shù)估計(jì)方差的影響程度：中，回歸系數(shù)OLS估計(jì)方差公式可以寫為Ch6：異方

34、差、自相關(guān)和多重共線性 Ch6：異方差、自相關(guān)和多重共線性 計(jì)量經(jīng)濟(jì)學(xué)PPT 三、多重共線性方差膨脹因子(VIF):VIF10可認(rèn)為存在嚴(yán)重共線性，必須予以處理。多重共線性的修正： （1）增加樣本量； （2）對(duì)變量實(shí)施變換； （3）對(duì)變量進(jìn)行合并（主成分分析和因子分析）； （4）嶺回歸（ridge regresson）; （5）去掉有關(guān)變量（注意模型誤設(shè)帶來的不一致性?。〤h6：異方差、自相關(guān)和多重共線性 Ch6：異方差、自相關(guān)和多重共線性 計(jì)量經(jīng)濟(jì)學(xué)PPT 自變量包含因變量滯后項(xiàng) 德賓檢驗(yàn)（DurbinTest）： 檢驗(yàn)假設(shè)： 檢驗(yàn)統(tǒng)計(jì)量及分布：輔助回歸的擬合優(yōu)度為R2，則nR2漸進(jìn)服從自

35、由度為r的2（r）分布。Eviews操作。自相關(guān)的修正：廣義差分法 回歸模型： 一階自回歸誤差項(xiàng)： （1）r已知：廣義差分變換：Ch6：異方差、自相關(guān)和多重共線性 Ch7：內(nèi)生性和工具變量估計(jì) 計(jì)量經(jīng)濟(jì)學(xué)PPT 內(nèi)生性（endogeneity）：解釋變量和模型誤差項(xiàng)的相關(guān)性 內(nèi)生性導(dǎo)致的問題：參數(shù)OLS估計(jì)的不一致性。內(nèi)生性導(dǎo)致不一致性的傳導(dǎo)：r為、 x2的相關(guān)系數(shù)。 x2為外生解釋變量 ， x1為內(nèi)生解釋變量 ，當(dāng)r0時(shí)， x1的內(nèi)生性會(huì)導(dǎo)致x2回歸系數(shù)估計(jì)的不一致性。Ch7：內(nèi)生性和工具變量估計(jì) Ch7：內(nèi)生性和工具變量估計(jì) 計(jì)量經(jīng)濟(jì)學(xué)PPT 外生性解釋變量對(duì)因變量的影響路徑：內(nèi)生性解釋變

36、量對(duì)因變量的影響路徑：Ch7：內(nèi)生性和工具變量估計(jì) Ch7：內(nèi)生性和工具變量估計(jì) 計(jì)量經(jīng)濟(jì)學(xué)PPT 內(nèi)生性產(chǎn)生的原因（1）丟失變量（模型錯(cuò)誤設(shè)定）導(dǎo)致的內(nèi)生性（主要原因）；（2）（非系統(tǒng)）測(cè)量誤差導(dǎo)致的內(nèi)生性 （i）原始數(shù)據(jù)存在的測(cè)量誤差； （ii）采用估計(jì)數(shù)據(jù)帶來的估計(jì)誤差； 只有解釋變量的測(cè)量誤差會(huì)帶來內(nèi)生性。（3）聯(lián)立方程導(dǎo)致的內(nèi)生性； 內(nèi)生性的處理工具變量估計(jì)法 工具變量：Ch7：內(nèi)生性和工具變量估計(jì) Ch7：內(nèi)生性和工具變量估計(jì) 計(jì)量經(jīng)濟(jì)學(xué)PPT 工具變量估計(jì)法：從樣本中得出以作為參數(shù)估計(jì)。工具變量估計(jì)具有一致性，因?yàn)椋和馍兞孔鳛樽约旱墓ぞ咦兞繒r(shí)，得出OLS估計(jì)。Ch7：內(nèi)生性和工

37、具變量估計(jì) Ch7：內(nèi)生性和工具變量估計(jì) 計(jì)量經(jīng)濟(jì)學(xué)PPT 工具變量的作用（示意圖）工具變量估計(jì)法多元回歸模型Ch7：內(nèi)生性和工具變量估計(jì) Ch7：內(nèi)生性和工具變量估計(jì) 計(jì)量經(jīng)濟(jì)學(xué)PPT 工具變量估計(jì)工具變量估計(jì)具有一致性注意： （1）工具變量向量中包含的變量個(gè)數(shù)必須大于或者等于模型解釋變量； （2）原模型的外生變量以其自身為工具變量； Ch7：內(nèi)生性和工具變量估計(jì) Ch7：內(nèi)生性和工具變量估計(jì) 計(jì)量經(jīng)濟(jì)學(xué)PPT 用EViews進(jìn)行工具變量估計(jì)（1）模型中的外生變量作為自己的工具變量出現(xiàn)在工具變量列表中（2）同時(shí)出現(xiàn)在兩個(gè)變量列表中的變量是外生變量，出現(xiàn)在第一個(gè)列表 但不出現(xiàn)在第二個(gè)列表中的變

38、量是原模型解釋變量中的內(nèi)生變量， 出現(xiàn)在第二個(gè)列表但不出現(xiàn)在第一個(gè)列表中的變量為工具變量。（3）工具變量輸入框下方的小方框勾選項(xiàng)僅適用于時(shí)間序列數(shù)據(jù)，其含 義為當(dāng)誤差項(xiàng)存在自相關(guān)時(shí)將解釋變量的滯后項(xiàng)作為工具變量 （include lagged regressors for linear equations with ARMA terms）。Ch7：內(nèi)生性和工具變量估計(jì) Ch7：內(nèi)生性和工具變量估計(jì) 計(jì)量經(jīng)濟(jì)學(xué)PPT 最優(yōu)工具變量?jī)呻A段最小二乘法（TSLS） 原理：當(dāng)工具變量個(gè)數(shù)大于內(nèi)生變量個(gè)數(shù)時(shí)，可通過輔助回歸尋找最優(yōu) 工具變量，然后進(jìn)行估計(jì)變量估計(jì) 方法： Step1：將內(nèi)生變量隨工具變量和

39、所有外生變量進(jìn)行回歸，得出內(nèi)生 變量估計(jì)值； Step2：以內(nèi)生變量估計(jì)值為工具變量進(jìn)行工具變量估計(jì)。內(nèi)生性檢驗(yàn)：以三元回歸模型為例 為外生變量，檢驗(yàn) 的內(nèi)生性，z為工具變量。原理：Ch7：內(nèi)生性和工具變量估計(jì) Ch7：內(nèi)生性和工具變量估計(jì) 計(jì)量經(jīng)濟(jì)學(xué)PPT 內(nèi)生性檢驗(yàn)： 原理：檢驗(yàn)?zāi)Ｐ停狠o助回歸：Ch7：內(nèi)生性和工具變量估計(jì) Ch8：分類選擇模型 計(jì)量經(jīng)濟(jì)學(xué)PPT 定義：又稱離散選擇模型，是指因變量取離散值，用以描述分類、狀態(tài)等的模型。 二元選擇模型因變量只取兩個(gè)值0，1。傳統(tǒng)線性回歸模型對(duì)二元選擇建模的缺陷： （i）人為增加約束條件： （ii）人為導(dǎo)致異方差：Ch8：分類選擇模型 Ch8：

40、分類選擇模型 計(jì)量經(jīng)濟(jì)學(xué)PPT 效用理論和指標(biāo)模型：隱變量U*影響決策、狀態(tài)或者類別，解釋變量影響U* ，即誤差項(xiàng)分布函數(shù)F關(guān)于x=0對(duì)稱，得出 ： 指標(biāo)函數(shù)（index function），一般形式為F：連接函數(shù)（link function），可以取關(guān)于原點(diǎn)對(duì)稱的任何概率分布函數(shù)。取標(biāo)準(zhǔn)正態(tài)分布函數(shù)，得出Probit模型，選邏輯分布函數(shù)，得出Logit模型Ch8：分類選擇模型 Ch8：分類選擇模型 計(jì)量經(jīng)濟(jì)學(xué)PPT Probit 模型： 取此時(shí)需要建立的模型為1）Probit模型是一個(gè)非線性模型；2）Probit模型的被解釋變量為概率值，并且不可觀測(cè)；3）Probit模型的誤差項(xiàng)隱含在指標(biāo)函

41、數(shù)中，因此異方差和序列相關(guān)也通過 指標(biāo)函數(shù)誤差項(xiàng)的性質(zhì)來反映。 Ch8：分類選擇模型 Ch8：分類選擇模型 計(jì)量經(jīng)濟(jì)學(xué)PPT Probit 模型的估計(jì)：采用極大似然估計(jì)，樣本分布為0-1分布樣本似然函數(shù)和對(duì)數(shù)似然函數(shù)為注：對(duì)數(shù)似然函數(shù)小于等于0，最大值為0。有一種情況能夠使對(duì)數(shù)似然函數(shù)達(dá)到最大值0： 對(duì)應(yīng)的指標(biāo)函數(shù)為負(fù)無限大 ；對(duì)應(yīng)的指標(biāo)函數(shù)值為正無限大 。 采用數(shù)值解法極大化對(duì)數(shù)似然函數(shù)，得出參數(shù)估計(jì)值。常用極大化數(shù)值方法有二階爬坡算法、New-Raphson算法和B-HHH算法，Eviews提供有關(guān)選項(xiàng) 。 Ch8：分類選擇模型 Ch8：分類選擇模型 計(jì)量經(jīng)濟(jì)學(xué)PPT Probit 模型的

42、檢驗(yàn)：?jiǎn)蝹€(gè)參數(shù)z-檢驗(yàn)參數(shù)估計(jì)量的漸進(jìn)分布：漸進(jìn)方差V的估計(jì)量為因此：檢驗(yàn)假設(shè)：檢驗(yàn)統(tǒng)計(jì)量： Ch8：分類選擇模型 Ch8：分類選擇模型 計(jì)量經(jīng)濟(jì)學(xué)PPT Probit 模型的檢驗(yàn)：整體檢驗(yàn)-似然比檢驗(yàn)檢驗(yàn)假設(shè)：檢驗(yàn)統(tǒng)計(jì)量： ：對(duì)數(shù)似然函數(shù)在參數(shù)極大似然估計(jì)處的取值 ：對(duì)數(shù)似然函數(shù)在原假設(shè)下的取值MacFadden R2：Eviews輸出界面MacFadden R-squared條目下給出 。 Ch8：分類選擇模型 Ch8：分類選擇模型 計(jì)量經(jīng)濟(jì)學(xué)PPT Logit 模型： 取此時(shí)需要建立的模型為模型的估計(jì)也采用極大似然估計(jì)，與Probit模型完全類似。模型檢驗(yàn)采用漸進(jìn)分布：構(gòu)造z-檢驗(yàn)統(tǒng)計(jì)量

43、 Ch8：分類選擇模型 Ch8：分類選擇模型 計(jì)量經(jīng)濟(jì)學(xué)PPT Logit 模型： 取此時(shí)需要建立的模型為模型的估計(jì)也采用極大似然估計(jì)，與Probit模型完全類似。模型檢驗(yàn)采用漸進(jìn)分布：構(gòu)造z-檢驗(yàn)統(tǒng)計(jì)量 Ch8：分類選擇模型 Ch8：分類選擇模型 計(jì)量經(jīng)濟(jì)學(xué)PPT Logit 模型的另一種形式和估計(jì)方法：回歸模型：如何估計(jì) ？采用分組數(shù)據(jù)（認(rèn)為分組或者自然分組）存在的問題：組分多少合適？Ch8：分類選擇模型 Ch8：分類選擇模型 計(jì)量經(jīng)濟(jì)學(xué)PPT Probit模型和Logit 模型比較：Ch8：分類選擇模型 Ch8：分類選擇模型 計(jì)量經(jīng)濟(jì)學(xué)PPT 有序選擇模型（ordered choice）

44、： 指標(biāo)模型（隱變量模型）： 選擇結(jié)果與隱變量對(duì)應(yīng)關(guān)系： Probit有序選擇模型：估計(jì)和檢驗(yàn)類似于二元選擇模型（可在Eviews中實(shí)現(xiàn)）Ch8：分類選擇模型 Ch9：平穩(wěn)時(shí)間序列分析 計(jì)量經(jīng)濟(jì)學(xué)PPT 一、定義定義：隨機(jī)現(xiàn)象在不同時(shí)點(diǎn)的觀測(cè)形成的數(shù)據(jù)序列稱為時(shí)間序列（time series）研究目標(biāo)：前后相關(guān)性、動(dòng)態(tài)變化規(guī)律和變量間的動(dòng)態(tài)關(guān)系相關(guān)性度量（一）：自相關(guān)函數(shù) 自相關(guān)函數(shù)： 一致估計(jì)： Ch9：平穩(wěn)時(shí)間序列分析 Ch9：平穩(wěn)時(shí)間序列分析 計(jì)量經(jīng)濟(jì)學(xué)PPT 平穩(wěn)性： 寬平穩(wěn)=協(xié)方差平穩(wěn)=二階矩平穩(wěn)：前兩階矩不隨時(shí)間變化滯后算子和滯后多項(xiàng)式：時(shí)間序列的類型：1）白噪聲（white no

45、ise）：Ch9：平穩(wěn)時(shí)間序列分析 Ch9：平穩(wěn)時(shí)間序列分析 計(jì)量經(jīng)濟(jì)學(xué)PPT 白噪聲示意圖：2）自回歸模型AR(1)： 稱為新息（innovation）（解釋） 滯后多項(xiàng)式表示（濾波表示）：3）移動(dòng)平均模型MA(k): 滯后多項(xiàng)式表示：Ch9：平穩(wěn)時(shí)間序列分析 Ch9：平穩(wěn)時(shí)間序列分析 計(jì)量經(jīng)濟(jì)學(xué)PPT 4）自回歸移動(dòng)平均模型ARMA(1,k)： 二、自回歸模型 i) 0-均值化模型： ii）平穩(wěn)條件：滯后多項(xiàng)式表示（濾波表達(dá)式） 滯后多項(xiàng)式的根在單位圓之外： iii）自相關(guān)函數(shù)和偏自相關(guān)函數(shù) AR(1)模型的自相關(guān)函數(shù)： 拖尾性Ch9：平穩(wěn)時(shí)間序列分析 Ch9：平穩(wěn)時(shí)間序列分析 計(jì)量經(jīng)濟(jì)學(xué)

46、PPT AR(1)模型的自相關(guān)拖尾性： AR(2)模型的自相關(guān)函數(shù)和偏自相關(guān)函數(shù)： 自相關(guān)函數(shù)：滿足尤勒-沃爾克方程Ch9：平穩(wěn)時(shí)間序列分析 Ch9：平穩(wěn)時(shí)間序列分析 計(jì)量經(jīng)濟(jì)學(xué)PPT AR(k)模型偏自相關(guān)函數(shù)： 定義偏自相關(guān)函數(shù)為：iv）自回歸模型的識(shí)別和估計(jì) 用自相關(guān)函數(shù)和偏自相關(guān)函數(shù)初步定階：Correlogram（Eviews） 模型初步估計(jì)：條件極大似然估計(jì)（等價(jià)于最小二乘）Ch9：平穩(wěn)時(shí)間序列分析 Ch9：平穩(wěn)時(shí)間序列分析 計(jì)量經(jīng)濟(jì)學(xué)PPT 樣本條件分布：樣本似然函數(shù)（乘法公式）：極大化對(duì)數(shù)似然函數(shù)： Ch9：平穩(wěn)時(shí)間序列分析 Ch9：平穩(wěn)時(shí)間序列分析 計(jì)量經(jīng)濟(jì)學(xué)PPT 模型再識(shí)

47、別： 白噪聲檢驗(yàn)：Q-統(tǒng)計(jì)量 檢驗(yàn)假設(shè)： 檢驗(yàn)統(tǒng)計(jì)量及其分布： Q-統(tǒng)計(jì)量有限樣本改進(jìn)形式（Ljung and Box，1978 ）： 自回歸殘差的白噪聲檢驗(yàn)：Ch9：平穩(wěn)時(shí)間序列分析 Ch9：平穩(wěn)時(shí)間序列分析 計(jì)量經(jīng)濟(jì)學(xué)PPT 模型診斷信息準(zhǔn)則 AIC和SC值達(dá)到最小的滯后階數(shù)。SC的懲罰因子較大，得出的滯后階數(shù)一般小于AIC的得出的滯后階數(shù)。AIC應(yīng)用較多。 （v）用AR模型進(jìn)行預(yù)測(cè)： a）一步預(yù)測(cè)： b）多步預(yù)測(cè)（一步滾動(dòng)預(yù)測(cè)）： 預(yù)測(cè)的均方誤差MSE： Ch9：平穩(wěn)時(shí)間序列分析 Ch9：平穩(wěn)時(shí)間序列分析 計(jì)量經(jīng)濟(jì)學(xué)PPT 三、自回歸分布滯后模型考慮兩個(gè)時(shí)間序列 和 經(jīng)濟(jì)理論基礎(chǔ)： a）

48、：適應(yīng)預(yù)期模型 b）：部分調(diào)整模型 Ch9：平穩(wěn)時(shí)間序列分析 Ch9：平穩(wěn)時(shí)間序列分析 計(jì)量經(jīng)濟(jì)學(xué)PPT 三、自回歸分布滯后模型格蘭杰因果關(guān)系檢驗(yàn)（Granger causality test） 檢驗(yàn)內(nèi)容： 是否有利于 的預(yù)測(cè) 檢驗(yàn)?zāi)Ｐ停?檢驗(yàn)假設(shè)： 檢驗(yàn)方法：參數(shù)約束檢驗(yàn)（F-檢驗(yàn)） Eviews操作： Ch9：平穩(wěn)時(shí)間序列分析 Ch9：平穩(wěn)時(shí)間序列分析 計(jì)量經(jīng)濟(jì)學(xué)PPT 四、二階矩模型ARCH模型條件矩： 條件均值模型：（ ） 如果誤差的平方滿足AR(q)，則 由此得出：其中 為條件方差 檢驗(yàn)方法：參數(shù)約束檢驗(yàn)（F-檢驗(yàn)） Eviews操作： Ch9：平穩(wěn)時(shí)間序列分析 Ch9：平穩(wěn)時(shí)間序列

49、分析 計(jì)量經(jīng)濟(jì)學(xué)PPT 四、二階矩模型ARCH模型為減少條件方差模型的滯后階數(shù)，采用ARMA模型，得出GARCH模型注：ARCH模型和GARCH模型均為平穩(wěn)時(shí)間序列模型，誤差項(xiàng)方差為常數(shù)，不隨時(shí)間變化。ARCH和GARCH模型是對(duì)條件方差建立的。ARCH模型和GARCH模型的估計(jì)：極大似然估計(jì)方法，極大化 得出參數(shù)估計(jì)值，根據(jù)極大似然估計(jì)性質(zhì)計(jì)算漸進(jìn)分布和漸進(jìn)方差估計(jì)，據(jù)此進(jìn)行檢驗(yàn)。Eviews操作： Ch9：平穩(wěn)時(shí)間序列分析 Ch10：非平穩(wěn)時(shí)間序列分析 計(jì)量經(jīng)濟(jì)學(xué)PPT 一、定義定義：時(shí)間序列的矩隨時(shí)間發(fā)生變化。 隨機(jī)游動(dòng)和單位根過程：由此得出：Ch10：非平穩(wěn)時(shí)間序列分析 Ch10：非平穩(wěn)時(shí)間序列分