【正文】 注：樣本應(yīng)當合理得大設(shè)。但是。實際上它遵循二項分布是正態(tài)分布的：顯然，我們不能再假定時，當時，當也取兩個值。建立置信區(qū)間和檢驗假用估計用模型的回歸步驟OLSstepUXwLOLSstepPPNwwuwXwwLstepPPLstepNnPstepLogi tiiiiiiiiiiiiiiiiiiiii:5/:4)?1(?1////:3)?1?ln(?:2?:1*21*21???????????????處理異方差 三 .Probit模型 ???????????????iiXtItiiiiiidtedteIFXYEXYPPpro bit21222/2/2121)()|()|1(????式模型中條件概率的表達異方差處理。 因此，從 2階滯后的情況看， GDP的增長是居民消費增長的原因，而不是相反。其它的好處還有：平行數(shù)據(jù)通常含有很多的數(shù)據(jù)點，樣本具有較大的自由度；截面變量和時間變量的結(jié)合信息能夠顯著地減少缺省變量所帶來的問題。 ? 如果 α,β的真值對于時間序列和截面?zhèn)€體來說都是一樣的常數(shù) ，我們就可以混合所有數(shù)據(jù)，用 NT個觀測進行一個大的融合回歸： TtNiXY ititit ,1,1 ?? ????? ??? NiXY iii ,1111 ????? ??? TtXY ttt ,1111 ????? ???二 .固定效應(yīng)模型 ? 最小二乘融合方法的問題在于常數(shù)截距和常數(shù)斜率的假設(shè)可能不合理。因為第一種方法比固定效應(yīng)模型包含更多的參數(shù)限制條件 (不同時間和不同個體的截距相等 )，通常擬合程度更差，誤差平方和會大些。 , February 11, 2023 ? 雨中黃葉樹，燈下白頭人。 2023年 2月 11日星期六 6時 38分 47秒 06:38:4711 February 2023 ? 1做前，能夠環(huán)視四周；做時，你只能或者最好沿著以腳為起點的射線向前。 。勝人者有力，自勝者強。 2023年 2月 11日星期六 上午 6時 38分 47秒 06:38: ? 1最具挑戰(zhàn)性的挑戰(zhàn)莫過于提升自我。 2023年 2月 11日星期六 6時 38分 47秒 06:38:4711 February 2023 ? 1空山新雨后，天氣晚來秋。 , February 11, 2023 ? 很多事情努力了未必有結(jié)果，但是不努力卻什么改變也沒有。 :38:4706:38Feb2311Feb23 ? 1故人江海別，幾度隔山川。 ? 檢驗統(tǒng)計量為 )/()2/()(221,2 TNNTESSTNESSESSFTNNTTN ??????????固定效應(yīng)模型的優(yōu)點和問題 ? 能夠分析對任一給定的截面單位，因變量與整個截面均值之間的差異程度 ? 虛擬變量的使用不直接確認回歸直線隨時間和個體而變動的原因 ? 虛擬變量的引入會大大減少模型的自由度 三 .隨機效應(yīng)模型 ? 在第二種方法中采用虛擬變量，是考慮到第一種方法對信息的利用可能不夠充分。 ? 處理截距問題的最好辦法，是引進允許截距項隨時間和截面?zhèn)€體變化的虛擬變量，這就是固定效應(yīng)模型： 其中 itiTTiiNtNttititZZZWWWXY??????????????????????33223322其他個個體如果是第 N，iiZit,2。平行數(shù)據(jù)的干擾可能包含時間序列干擾、截面數(shù)據(jù)干擾，以及時間序列與截面的混合干擾。 表 5 .2. 4 格蘭杰因果關(guān)系檢驗 滯后長度 格蘭杰因果性 F 值 P 值 LM 值 A I C 值 結(jié)論 2 GDP ? ???CO N S 拒絕 CO N S ? ???G D P 不拒絕 3 GDP ? ???CO N S 0. 001 拒絕 CO N S ? ???G D P 不拒絕 4 GDP ? ???CO N S 10E 04 10 拒絕 CO N S? ???G D P 拒絕 5 GDP? ???CO N S 拒絕 CO N S? ???G D P 拒絕 6 GDP? ???CO N S 不拒絕 CO N S? ???G D P 拒絕 ? 隨著滯后階數(shù)的增加，拒絕“ GDP是居民消費 CONS的原因”的概率變大，而拒絕“居民消費 CONS是 GDP的原因”的概率變小。用進行回歸，對用得到（讀出，從標準正態(tài)給定從分組數(shù)據(jù)得估計步驟：－OLSXIstepPFICDFPstepNnPstepiiiiiiii:3)?:2?:11??1P0 XLPM Logit Probit 比較 Logit模型最常用 滯后變量模型 一 .滯后變量模型 ? 對采用時間序列數(shù)據(jù)的模型，相關(guān)變量的滯后值作為解釋變量 ? 外生滯后變量模型 ? 內(nèi)生滯后變量模型 ? 滯后變量模型實質(zhì)上考慮的是經(jīng)濟系統(tǒng)的動態(tài)變化，也可稱為動態(tài)模型 （分布滯后模型） tktkttt uXbXbXbaY ?????? ?? ?1100舉例：利率的動態(tài)模型 ),( 43214321 ????????? ttttttttttt DDDDDMMMMMfrr：利率 M：貨幣供給 D：國庫券彌補的預(yù)算赤字 (1)考伊克滯后（幾何滯后） ttttt uXXXY ?????? ?? ?220100 ??????10 ?? ?間隔時間越長，對因變量的影響越小，類似的模型都可用考伊克變換 ttttt uXXXY ?????? ???? ?32023231 ?????? 101 )1( ?? ?????? ttttt uuXYY ????tttt vXYY ???? ? 01* ???考伊克滯后的權(quán)重 1 2 3 4 6 5 i(滯后 ) )(權(quán)重i?(2)阿爾蒙滯后（多項式滯后） rri iii ????? ????? ?2210一般取 3次多項式， 4期滯后 321043210332102321010064164)4(2793)3(842)2()1()0(??????????????????????????????????????????ffffftttttttttttuXXXXXXXXXXY???????????????????