三大检验LM-WALD-LR.ppt

三大检验LM-WALD-LR.ppt

《三大检验LM-WALD-LR.ppt》由会员分享，可在线阅读，更多相关《三大检验LM-WALD-LR.ppt（37页珍藏版）》请在冰点文库上搜索。

学习计量,第11章模型的诊断与检验,11.1模型总显著性的F检验（已讲过）11.2模型单个回归参数显著性的t检验（已讲过）11.3检验若干线性约束条件是否成立的F检验11.4似然比（LR）检验11.5沃尔德（Wald）检验11.6拉格朗日乘子（LM）检验11.7邹（Chow）突变点检验（不讲）11.8JB（Jarque-Bera）正态分布检验（不讲）11.9格兰杰（Granger）因果性检验（不讲）,（第3版252页）,在建立模型过程中，要对模型参数以及模型的各种假定条件作检验。

这些检验要通过运用统计量来完成。

在第2章和第3章已经介绍过检验单个回归参数显著性的t统计量和检验模型参数总显著性的F统计量。

在第5章介绍了模型误差项是否存在异方差的Durbin-Watson检验、White检验；在第6章介绍了模型误差项是否存在自相关的DW检验和BG检验。

本章开始先简要总结模型参数总显著性的F检验、单个回归参数显著性的t检验。

然后再介绍几个在建模过程中也很常用的其他检验方法。

他们是检验模型若干线性约束条件是否成立的F检验和似然比（LR）检验、Wald检验、LM检验、JB检验以及Granger非因果性检验。

第11章模型的诊断与检验,11.1模型总显著性的F检验,以多元线性回归模型，yt=0+1xt1+2xt2+kxtk+ut为例，原假设与备择假设分别是H0：

1=2=k=0；H1：

j不全为零在原假设成立条件下，统计量其中SSR指回归平方和；SSE指残差平方和；k+1表示模型中被估参数个数；T表示样本容量。

判别规则是，若FF（k,T-k-1），接受H0；若FF（k,T-k-1）,拒绝H0。

（详见第3章）,（第3版252页）,11.2模型单个回归参数显著性的t检验,（第3版253页）,11.3检验若干线性约束条件是否成立的F检验,（第3版254页）,例11.1：

建立中国国债发行额模型。

首先分析中国国债发行额序列的特征。

1980年国债发行额是43.01亿元，占GDP当年总量的1%，2001年国债发行额是4604亿元，占GDP当年总量的4.8%。

以当年价格计算，21年间（1980-2001）增长了106倍。

平均年增长率是24.9%。

中国当前正处在社会主义市场经济体制逐步完善，宏观经济运行平稳阶段。

国债发行总量应该与经济总规模，财政赤字的多少，每年的还本付息能力有关系。

11.3检验若干线性约束条件是否成立的F检验,（第3版254页）,例11.1：

建立中国国债发行额模型,选择3个解释变量，国内生产总值，财政赤字额，年还本付息额，根据散点图建立中国国债发行额模型如下：

DEBTt=0+1GDPt+2DEFt+3REPAYt+ut其中DEBTt表示国债发行总额（单位：

亿元），GDPt表示年国内生产总值（单位：

百亿元），DEFt表示年财政赤字额（单位：

亿元），REPAYt表示年还本付息额（单位：

亿元）。

（第3版255页）,用19802001年数据得输出结果如下；DEBTt=4.31+0.35GDPt+1.00DEFt+0.88REPAYt（0.2）（2.2）（31.5）（17.8）R2=0.999,DW=2.12,T=22,SSEu=48460.78,（1980-2001）是否可以从模型中删掉DEFt和REPAYt呢？

可以用F统计量完成上述检验。

原假设H0是3=4=0（约束DEFt和REPAYt的系数为零）。

给出约束模型估计结果如下，DEBTt=-388.40+4.49GDPt（-3.1）（17.2）R2=0.94,DW=0.25,T=22,SSEr=2942679,（1980-2001）已知约束条件个数m=2，T-k-1=18。

SSEu=48460.78，SSEr=2942679。

因为F=537.5F（2,18）=3.55，所以拒绝原假设。

不能从模型中删除解释变量DEFt和REPAYt。

（第3版256页）,例11.1：

建立中国国债发行额模型,EViews可以有三种途径完成上述F检验。

（1）在输出结果窗口中点击View，选CoefficientTests,WaldCoefficientRestrictions功能（Wald参数约束检验），在随后弹出的对话框中填入c（3）=c（4）=0。

可得如下结果。

其中F=537.5。

例11.1：

建立中国国债发行额模型,（第3版256页）,

（2）在非约束模型输出结果窗口中点击View，选CoefficientTests,RedundantVariables-LikelihoodRatio功能（模型中是否存在多余的不重要解释变量），在随后弹出的对话框中填入GDP，DEF。

可得计算结果F=537.5。

（3）在约束模型输出结果窗口中点击View，选CoefficientTests,OmittedVariables-LikelihoodRatio功能（模型中是否丢了重要的解释变量），在随后弹出的对话框中填入拟加入的解释变量GDP，DEF。

可得结果F=537.5。

例11.1：

建立中国国债发行额模型,（第3版256页）,11.4似然比（LR）检验,（第3版257页）,11.4似然比（LR）检验,（第3版258页）,似然比（LR）检验的EViews操作有两种途径。

（1）在非约束模型估计结果窗口中点击View，选CoefficientTests,RedundantVariables-LikelihoodRatio功能（模型中是否存在多余的不重要解释变量），在随后弹出的对话框中填入GDP，DEF。

可得结果。

其中LR（Loglikelihoodratio）=90.34，与上面的计算结果相同。

（2）在约束模型估计结果窗口中点击View，选CoefficientTests,OmittedVariables-LikelihoodRatio功能（模型中是否丢了重要的解释变量），在随后弹出的对话框中填入拟加入的解释变量GDP，DEF。

可得结果。

其中LR（Loglikelihoodratio）=90.34，与上面的计算结果相同。

11.4似然比（LR）检验,11.5沃尔德（Wald）检验,（第3版259页）,11.5沃尔德（Wald）检验,（第3版260页）,11.5沃尔德（Wald）检验,（第3版260页）,11.5沃尔德（Wald）检验,（第3版261页）,在原假设12=3成立条件下，W统计量渐近服从

（1）分布。

11.5沃尔德（Wald）检验,（第3版262页）,11.5沃尔德（Wald）检验,（第3版263页）,11.5沃尔德（Wald）检验,（第3版263页）,在（11.20）式窗口中点击View，选CoefficientTests,Wald-CoefficientRestrictions功能，并在随后弹出的对话框中填入C

（2）/C（3）=0.5，得输出结果如图11.7。

其中2=0.065即是Wald统计量的值。

上式W=0.075与此略有出入。

因为W=0.065对应的概率大于0.05，说明统计量落在原假设的接收域。

结论是接受原假设（约束条件成立）。

11.5沃尔德（Wald）检验,（第3版263页）,11.6拉格朗日乘子（LM）检验,拉格朗日（Lagrange）乘子（LM）检验只需估计约束模型。

所以当施加约束条件后模型形式变得简单时，更适用于这种检验。

LM乘子检验可以检验线性约束也可以检验非线性约束条件的原假设。

对于线性回归模型，通常并不是拉格朗日乘子统计量（LM）原理计算统计量的值，而是通过一个辅助回归式计算LM统计量的值。

（第3版264页）,（第3版第265页）,11.6拉格朗日乘子（LM）检验,LM检验的辅助回归式计算步骤如下：

（1）确定LM辅助回归式的因变量。

用OLS法估计约束模型，计算残差序列，并把作为LM辅助回归式的因变量。

（2）确定LM辅助回归式的解释变量。

例如非约束模型如下式,yt=0+1x1t+2x2t+kxkt+ut把上式改写成如下形式ut=yt-0-1x1t-2x2t-kxkt则LM辅助回归式中的解释变量按如下形式确定。

-,j=0,1,k.对于非约束模型（11.26），LM辅助回归式中的解释变量是1,x1t,x2t,xkt。

第一个解释变量1表明常数项应包括在LM辅助回归式中。

11.6拉格朗日乘子（LM）检验,（3）建立LM辅助回归式，=+1x1t+2x2t+kxkt+vt,其中由第一步得到。

（4）用OLS法估计上式并计算可决系数R2。

（5）用第四步得到的R2计算LM统计量的值。

LM=TR2其中T表示样本容量。

在零假设成立前提下，TR2渐近服从m个自由度的2（m）分布，（m）LM=TR22（m）其中m表示约束条件个数。

（第3版265页）,11.6拉格朗日乘子（LM）检验,（第3版266页）,11.6拉格朗日乘子（LM）检验,11.7邹（Chow）突变点检验（不讲）11.8JB（Jarque-Bera）正态分布检验（不讲）,（第3版267页）,11.9格兰杰（Granger）因果性检验（不讲）,（第3版277页）,（第3版278页）,11.9格兰杰（Granger）因果性检验（不讲）,注意：

（1）“格兰杰因果性”的正式名称应该是“格兰杰非因果性”。

只因口语都希望简单，所以称作“格兰杰因果性”。

（2）为简便，通常总是把xt-1对yt存在（或不存在）格兰杰因果关系表述为xt（去掉下标-1）对yt存在（或不存在）格兰杰因果关系（严格讲，这种表述是不正确的）。

（3）格兰杰因果关系与哲学意义的因果关系还是有区别的。

如果说“xt是yt的格兰杰原因”只是表明“xt中包括了预测yt的有效信息”。

（4）这个概念首先由格兰杰（Granger）在1969年提出。

（第3版278页）,11.9格兰杰（Granger）因果性检验（不讲）,例11.8：

以661天（1999年1月4日至2001年10月5日）的上证综指（SHt）和深证成指（SZt）数据为例，进行双向的Granger非因果性分析。

两个序列存在高度的相关关系，那么两个序列间可能存在双向因果关系，也有可能存在单向因果关系。

（第3版278页）,11.9格兰杰（Granger）因果性检验（不讲）,（第3版279页）,11.9格兰杰（Granger）因果性检验（不讲）,（第3版280页）,11.9格兰杰（Granger）因果性检验（不讲）,通过EViews计算的Granger因果性检验的两个F统计量的值见图。

SHt和SZt之间存在单向因果关系。

即SZt是SHt变化的Granger原因，但SHt不是SZt变化的Granger原因。

（第3版280页）,11.9格兰杰（Granger）因果性检验（不讲）,Granger非因果性检验的EViews操作是，打开SHt和SZt的数剧组窗口，点击View键，选GrangerCausility功能。

在随后打开的对话框口中填上滞后期数2，点击OK键，即可得到图11.20的检验结果。

用滞后5,10,15,20,25期的检验式分别检验，结果见下表：

结论都是上海综指不是深圳成指变化的Granger原因，但深圳成指是上海综指变化的Granger原因。

（第3版280页）,11.9格兰杰（Granger）因果性检验（不讲）,注意：

（1）滞后期k的选取是任意的。

实质上是一个判断性问题。

以xt和yt为例，如果xt-1对yt存在显著性影响，则不必再做滞后期更长的检验。

如果xt-1对yt不存在显著性影响，则应该再做滞后期更长的检验。

一般来说要检验若干个不同滞后期k的格兰杰因果关系检验，且结论相同时，才可以最终下结论。

（2）当做xt是否为导致yt变化的格兰杰原因检验时，如果zt也是yt变化的格兰杰原因，且zt又与xt相关，这时在xt是否为导致yt变化的格兰杰因果关系检验式的右端应加入zt的滞后项。

（3）不存在协整关系的非平稳变量之间不能进行格兰杰因果关系检验。

（第3版281页）,11.9格兰杰（Granger）因果性检验（不讲）,第11章结束.,