eviews模型診斷.ppt

第四章模型診斷 鄒突變點(diǎn)檢驗(yàn) 檢驗(yàn)是否存在突變點(diǎn) 鄒模型穩(wěn)定性檢驗(yàn) 檢驗(yàn)?zāi)Ｐ褪欠窨梢赃M(jìn)行預(yù)測(cè) 似然比檢驗(yàn) 檢驗(yàn)?zāi)Ｐ褪欠翊嬖谌笔ё兞炕虼嬖谌哂嘧兞?Wald檢驗(yàn) 檢驗(yàn)?zāi)Ｐ偷募s束條件是否有效 兩個(gè)鄒檢驗(yàn)用來檢查不同時(shí)期或不同截面數(shù)據(jù)子樣本相互關(guān)系的穩(wěn)定性 該檢驗(yàn)中最重要的步驟是將數(shù)據(jù)集合T分為T1和T2兩個(gè)部分 T1用于估計(jì) 剩下的T2用于檢驗(yàn) 若利用所有可得到的樣本觀測(cè)值對(duì)方程進(jìn)行估計(jì) 則可以尋找到最適合給定數(shù)據(jù)集合的方程 但是這樣就無法檢驗(yàn)該模型的預(yù)測(cè)能力 也不能檢驗(yàn)參數(shù)是否穩(wěn)定 變量間的關(guān)系是否穩(wěn)健 在時(shí)間序列樣本中 通常利用T1時(shí)期的觀測(cè)值進(jìn)行了估計(jì) 余下的T2時(shí)期的觀測(cè)值進(jìn)行檢驗(yàn) 對(duì)于截面數(shù)據(jù) 可以先根據(jù)關(guān)鍵變量 例如家庭收入或公司銷售額的大小 對(duì)數(shù)據(jù)進(jìn)行了排序 然后再將數(shù)據(jù)集合分成兩個(gè)部分 這里沒有硬性的 快速的方法來確定T1 T2的相對(duì)大小 某些情況下 會(huì)出現(xiàn)一些明顯的已經(jīng)發(fā)生結(jié)構(gòu)變化的點(diǎn) 如一條法規(guī)的出現(xiàn) 固定匯率向浮動(dòng)匯率的轉(zhuǎn)變或者是石油價(jià)格的沖擊等 則選擇該點(diǎn)來分割T 在沒有什么特殊原因來觀測(cè)結(jié)構(gòu)變化時(shí) 粗略的經(jīng)驗(yàn)是用85 90 的觀測(cè)值來進(jìn)行估計(jì) 余下的用于檢驗(yàn) 鄒突變點(diǎn)檢驗(yàn) 鄒突變點(diǎn)檢驗(yàn)由鄒至莊1960年提出 用于檢驗(yàn)?zāi)Ｐ蛥?shù)在樣本范圍內(nèi)某一點(diǎn)是否發(fā)生變化 注意 每個(gè)子集中的觀測(cè)值數(shù)目必須超過待估方程中系數(shù)的個(gè)數(shù) 分割的目的是為了檢驗(yàn)系數(shù)向量在不同的子集中是否可以視為常數(shù) H0 不存在突變點(diǎn) 檢驗(yàn)時(shí) 考察的方程應(yīng)分別擬合于每個(gè)子樣本 加總每個(gè)子樣本的殘差平方和從而得到無約束的殘差平方和 然后再用方程擬合于所有樣本觀測(cè)值 得到有約束的殘差平方和 F統(tǒng)計(jì)量是有約束和無約束的殘差平方和之比 而LR統(tǒng)計(jì)量是通過有約束和無約束條件下的方程的極大似然值計(jì)算得到 輸出結(jié)果再次顯示F統(tǒng)計(jì)量 LR統(tǒng)計(jì)量和相應(yīng)的概率值 注意 該檢驗(yàn)適合于由最小二乘法和兩階段最小二乘法做的回歸 做鄒突變檢驗(yàn)時(shí) 選擇Equation工具中的View stabilitytests chowBreakpointtest功能 在對(duì)話框中 輸入突變的日期 相對(duì)于時(shí)間序列樣本 或觀測(cè)數(shù)目 相對(duì)于截面樣本 例如 若方程由1950 1994年數(shù)據(jù)估計(jì)得到 在對(duì)話框中 鍵入1960 則設(shè)定了兩個(gè)子樣本 一個(gè)從1950 1959 另一個(gè)從1960 1994 例4 1 1985 2002年中國(guó)家用汽車擁有量 y 與城鎮(zhèn)居民家庭人均可支配收入 x 數(shù)據(jù)見case6 畫散點(diǎn)圖后發(fā)現(xiàn)1996年應(yīng)該是一個(gè)突變點(diǎn) 當(dāng)城鎮(zhèn)居民家庭人均可收入突破4838 9元之后 城鎮(zhèn)居民家庭購(gòu)買家用汽車的能力大大提高 現(xiàn)在用鄒突變點(diǎn)檢驗(yàn)法檢驗(yàn)1996年是不是一個(gè)突變點(diǎn) 鄒模型穩(wěn)定性檢驗(yàn) 在鄒預(yù)測(cè)檢驗(yàn)中 利用T1時(shí)期的觀測(cè)值估計(jì)方程并預(yù)測(cè)余下T2時(shí)期的因變量的值 這樣 會(huì)存在一個(gè)預(yù)測(cè)值和真實(shí)值之間差異的向量 若差異較小 則對(duì)估計(jì)方程毋庸置疑 若差異較大 則方程參數(shù)的穩(wěn)定性值得懷疑 H0 模型是穩(wěn)定的 注意 Chow預(yù)測(cè)檢驗(yàn)適用于由最小二乘法和兩階段最小二乘法估計(jì)的回歸方程 做Chow預(yù)測(cè)檢驗(yàn)時(shí) 選擇Equation工具欄中的View StabilityTests ChowForecastTest功能 在對(duì)話框中 設(shè)定預(yù)測(cè)開始的日期 且該日期必須在現(xiàn)有的樣本觀測(cè)值之內(nèi) 仍以表case6為例用1985 1999年數(shù)據(jù)建立的模型基礎(chǔ)上 檢驗(yàn)當(dāng)把2000 2002年數(shù)據(jù)加入樣本后 模型的回歸參數(shù)是否出現(xiàn)顯著性變化 因?yàn)橐呀?jīng)知道1996年為結(jié)構(gòu)突變點(diǎn) 所以設(shè)定虛擬變量 以區(qū)別兩個(gè)不同時(shí)期 用1985 2002年數(shù)據(jù)按以下命令回歸 ycxd1x d1 Wald檢驗(yàn) Wald檢驗(yàn)處理有關(guān)解釋變量系數(shù)約束的假設(shè) 例如 假設(shè)一個(gè)Cobb Douglas生產(chǎn)函數(shù)已經(jīng)估計(jì)為以下形式 其中Q K和已分別代表產(chǎn)出 資本與勞動(dòng)的投入量 規(guī)摸報(bào)酬不變的假設(shè)由以下約束檢驗(yàn)表示 Wald檢驗(yàn)原假設(shè)的參數(shù)限制以及檢驗(yàn)方程可以是線性的 也可以是非線性的 并且可以同時(shí)檢驗(yàn)一個(gè)或多個(gè)約束 Wald檢驗(yàn)的輸出結(jié)果依賴于約束的線性性 在線性約束下 輸出結(jié)果是F統(tǒng)計(jì)量 x2統(tǒng)計(jì)量和相應(yīng)的p值 如果約束是有效的 那么F統(tǒng)計(jì)量應(yīng)該很小 p值很大 并且約束不會(huì)被拒絕 在大多數(shù)應(yīng)用中 p值和相應(yīng)的F統(tǒng)計(jì)量應(yīng)該被認(rèn)為是近似值 也就是說只有當(dāng)F值遠(yuǎn)大于臨界值時(shí)結(jié)論才是可靠的 如果是非線性約束 則不論方程形式如何 檢驗(yàn)結(jié)果只能是卡方統(tǒng)計(jì)量的近似結(jié)果和相應(yīng)的近似既率 事實(shí)上 Wald檢驗(yàn)對(duì)二階段最小二乘法 非線性最小二乘法等建立的模型均有效 只是檢驗(yàn)統(tǒng)計(jì)量有所不同EViews中 方程結(jié)果輸出窗口點(diǎn)擊View按鈕 然后在下拉菜單中選擇CoefficientTests Wald CoefficientRestrictions 例4 2 糧食產(chǎn)量 Y 通常由糧食生產(chǎn)勞動(dòng)力 L 化肥施用量 K 等因素決定 利用線性化方法估計(jì)Cobb Douglas生產(chǎn)函數(shù)模型并檢驗(yàn)參數(shù)是否滿足約束條件 case4 遺漏變量檢驗(yàn) testadd檢驗(yàn) 遺漏 Omitted 變量檢驗(yàn)用以查看對(duì)現(xiàn)有模型添加某些變量后 新變量是否對(duì)因變量的解釋有顯著貢獻(xiàn) 檢驗(yàn)的原假設(shè)是新變量都是不顯著的 檢驗(yàn)統(tǒng)計(jì)量 注意 計(jì)算時(shí)都要求原模型與檢驗(yàn)?zāi)Ｐ偷挠^測(cè)量相同 即新變量不能在原來的樣本期內(nèi)含有缺失值 因此 像加入滯后變量等情況 檢驗(yàn)是失效的 EViews中 方程結(jié)果輸出窗口中選擇View CoefficientTests OmittedVariables LikelihoodRatio 例4 3 續(xù)例4 2 若考慮糧食播種面積 M 對(duì)糧食產(chǎn)量的影響 現(xiàn)檢驗(yàn)該因素是否顯著 冗余變量檢驗(yàn) testdrop檢驗(yàn) 冗余 Redundant 檢驗(yàn)用以確定現(xiàn)有模型一個(gè)變量子集的統(tǒng)計(jì)顯著性 即考察子集內(nèi)變