eviews分布滯后和虛擬變量模型(編輯修改稿)
2024-10-24 20:35 本頁面
【文章內(nèi)容簡介】 ?,27,一個定量變量和一個兩分定性變量的回歸,仍然用上面的例子，只是引入教齡作 為解釋變量。有如下模型： 表示教齡，其他定義如前。這個模型的 系數(shù)估計用OLS即可完成。 主要有以下幾點需要注意： (1)雖然有男、女兩個分類，但是只用一個虛擬變量。更通用的規(guī)則是：如果一個定性變量有m個類別，則引入m1個虛擬變量。,?,28,(2)虛擬變量的取值是隨意，但是一旦取定之后要能合理地解釋其意義。 (3)被賦予零值的那個類別通常稱為基礎(chǔ)類型。它是用以和其他類別作比較的一個基礎(chǔ)。 (4)虛擬變量的系數(shù)稱為級差截距系數(shù)，它表示取值1的類別的截距值和基基礎(chǔ)類型的截距值相比有多大差別。,?,29,對一個定量變量和一個多分定性變量的回歸,假設(shè)在橫截面數(shù)據(jù)的基礎(chǔ)上，分析個人保健支出對個人收入和教育水平的回歸。教育水平是定性變量，分為三類：低于中學(xué)、中學(xué)和大學(xué)。模型中引入兩個虛擬變量。模型如下： 其中 ＝保健年度支出 ＝年度收入,?,30,對一個定量變量和兩個定性變量的回歸,回顧前面學(xué)院教授薪金回歸模型，現(xiàn)在假定除了教齡和性別之外，膚色也是一個重要的薪金決定因素。膚色假定只有兩種情況：黑和白。于是模型改寫為： 其中 表示學(xué)院教授的薪金 表示教齡,?,31,假定 ，則可以得到以下回歸： 黑人女教授平均薪金： 黑人男教授平均薪金： 白人女教授平均薪金： 白人男教授平均薪金：,?,32,三、 EViews的操作,為研究采取某項保險革新措施的速度y與保險公司的規(guī)模x1和保險公司類型的關(guān)系，選取下列數(shù)據(jù)：y是一個公司提出該項革新直至革新被采納間隔的月數(shù)，x1是公司的總資產(chǎn)額（單位：百萬美元），x2是一個定性變量，表示公司類型：其中1表示股份公司，0表示非股份公司。要建立的模型是,?,33,?,34,?,167。8.4 非線性模型,經(jīng)典的計量經(jīng)濟(jì)學(xué)模型理論與方法是在線性模型的基礎(chǔ)上發(fā)展、完善起來的，因而線性計量經(jīng)濟(jì)學(xué)模型領(lǐng)域的理論與方法已經(jīng)相當(dāng)成熟。但是，現(xiàn)實經(jīng)濟(jì)活動并不都能抽象為線性模型，所以非線性計量經(jīng)濟(jì)學(xué)模型在計量經(jīng)濟(jì)學(xué)模型中占據(jù)重要的位置，關(guān)于它的理論與方法的研究是計量經(jīng)濟(jì)學(xué)理論與方法研究的一個廣泛的領(lǐng)域。 假設(shè)回歸方程為：,其中f 是解釋變量和參數(shù) ? 的函數(shù)。最小二乘估計就是要選擇參數(shù) ? 使殘差平方和最?。??,36,如果 f 關(guān)于參數(shù)的導(dǎo)數(shù)不依賴于參數(shù)?，則我們稱模型為參數(shù)線性的，反之，則是參數(shù)非線性的。例如， 是參數(shù)線性的，f 關(guān)于參數(shù)的導(dǎo)數(shù)與參數(shù)? 無關(guān)。 而 其函數(shù)的導(dǎo)數(shù)仍依賴于參數(shù)?，所以它是參數(shù)非線性的。對于這個模型，沒有辦法使用普通最小二乘估計來最小化殘差平方和。必須使用非線性最小二乘估計技術(shù)來估計模型參數(shù)。,?,非線性最小二乘估計根據(jù)參數(shù)? 的選擇最小化殘差平方和。最小化的一階條件是：,其中G(?)是f (X, ?)關(guān)于? 的導(dǎo)數(shù)。 估計協(xié)方差矩陣為：,關(guān)于非線性估計的詳細(xì)討論，參見Pindick和Rubinfeld (1991, 231 245頁) 或Davidson和MacKinon(1993)。,即,令,?,估計非線性最小二乘模型很簡單，對于任何系數(shù)非線性的方程，EViews自動應(yīng)用非線性最小二乘估計，會使用迭代算法估計模型。,1. 說明非線性最小二乘估計,對于非線性最小二乘模型，必須使用直接包含系數(shù)約束的EViews表達(dá)式以方程形式來說明?？梢允褂萌笔∠禂?shù)向量C中的元素(例如，c(1), c(2), c(34), c(87) ) ，也可以定義使用其它系數(shù)向量。例如： Y=c(1)+c(2)*(K^c(3)+L^c(4)) 就是缺省系數(shù)向量C的4個元素從c(1)到c(4)。,?,39,例：如果設(shè)定例6.1中的消費(fèi)函數(shù)為非線性形式： （8.4.1） 其中：cst 是實際居民消費(fèi)，inct 是實際可支配收入。利用我國1978年～2002年的年度數(shù)據(jù)估計此非線性方程，由于用迭代法計算，首先要賦初值，比如可以設(shè)?3的估計值b3初值是1，則可以利用OLS估計值(例6.1中，b1 =414.88，b2 =0.51) 作為b1 ，b2 的初值。經(jīng)過迭代，得到的非線性消費(fèi)方程為 （8.4.2） b1，b2 ，b3 的標(biāo)準(zhǔn)差分別為386.3，0.21和0.096。,?,非線性形式的邊際消費(fèi)傾向為 即 MPCt = c(2)*c(3)*inctC(3)1 = 0.214*1.0857*YDt1.08571,?,圖8.1 動態(tài)的邊際消費(fèi)傾向,因此，非線性情況下的MPC是時變的，根據(jù)式（8.4.1）計算得到的邊際消費(fèi)傾向序列如圖8.1所示。注意，inc 的平均值(9795.355)對應(yīng)的邊際消費(fèi)傾向為 MPC=0.2139?1.0857?9795.355^(1.08571) =0.51 等于線性模型估計值，因為線性模型的參數(shù)反映的是變量之間平均意義上的影響關(guān)系。,?,2.估計方法選項,（1）初始值 迭代估計要求模型系數(shù)有初始值。選擇參數(shù)初始值沒有通用的法則。越接近于真值越好，因此，如果你對參數(shù)值有一個合理的猜測值，將是很有用的。在某些情況下，可以用最小二乘法估計嚴(yán)格形式的模型得到良好的初始值?？傮w說來，必須進(jìn)行試驗以找
法律信息相關(guān)推薦
鄂ICP備17016276號-1