eviews分布滯后和虛擬變量模型-文庫吧資料
2024-10-24 20:35本頁面
【正文】 量Exchange或 GDP 已經(jīng)按從小到大順序排列，因此，無需重新計(jì)算d統(tǒng)計(jì)量。,案例分析及EViews操作,?,49,se= (792.2620) (0.0142) t = (2.0288) (16.2378),對模型(1)進(jìn)行回歸,有回歸結(jié)果,?,50,顯然，存在自相關(guān)現(xiàn)象，其主要原因可能是建模時(shí)遺漏了重要的相關(guān)變量造成的。 設(shè)定模型: IMt=α1+α2GDPt+ut （1） 其中，IMt是進(jìn)口總額，GDPt是國內(nèi)生產(chǎn)總值。 在大樣本情況下，構(gòu)造檢驗(yàn)統(tǒng)計(jì)量 nR2，nR2 漸近地遵從χ2（約束個(gè)數(shù)） 進(jìn)行顯著性檢驗(yàn)的判斷：若 nR2 χ2(約束個(gè)數(shù)), 則拒絕H0，認(rèn)為受約束模型不成立，存在遺漏變量；否則，接受H0，認(rèn)為受約束模型成立，無遺漏變量。 ●可以進(jìn)行殘差序列與相關(guān)變量的回歸，在一定顯著水平下若相關(guān)變量具有統(tǒng)計(jì)顯著性，則認(rèn)為存在遺漏變量形成的設(shè)定偏誤，若相關(guān)變量不具有統(tǒng)計(jì)顯著性，則認(rèn)為沒有遺漏變量形成的設(shè)定誤差。,?,45,，,按遺漏解釋變量的遞增次序?qū)埐钚蛄?進(jìn)行排序，,對排序后的殘差序列,計(jì)算 d 統(tǒng)計(jì)量：,2．設(shè)定,1．對回歸模型運(yùn)用OLS法得殘差序列,DW檢驗(yàn)的具體步驟,3．查DurbinWatson表，若 d 為顯著，則拒絕原假 設(shè)，受約束回歸模型不成立，存在模型設(shè)定誤差，否 則不拒絕原假設(shè)，受約束回歸模型成立，模型無設(shè)定誤差。8.5 設(shè)定誤差,一、 DW檢驗(yàn) 基本思想： 遺漏的相關(guān)變量應(yīng)包含在隨機(jī)擾動(dòng)項(xiàng)中，那么回歸所得的殘差序列就會(huì)呈現(xiàn)單側(cè)的正（負(fù)）相關(guān)性，因此可從自相關(guān)性的角度檢驗(yàn)相關(guān)變量的遺漏。EViews會(huì)使用最后一組參數(shù)值作為初始值進(jìn)行估計(jì)。然而，對于某些難于估計(jì)的模型，在最大迭代次數(shù)下迭代過程不收斂。例如，設(shè)定閾值為0.001，則EViews會(huì)通過檢查系數(shù)的最大變化是不是小于0.001來決定是否收斂。按Options鈕并輸入想要的數(shù)值。只需輸入關(guān)鍵詞PARAM，然后是每個(gè)系數(shù)和想要的初值： param c(1) 153 c(2) .68 c(3) .15 中設(shè)定c(1)=153，c(2)=0.68 和c(3)=0.15。完成初始值設(shè)定后，關(guān)閉系數(shù)向量窗口，估計(jì)模型。如果初始值是合理的，可以對模型進(jìn)行估計(jì)。很容易檢查并改變系數(shù)的初始值?？傮w說來，必須進(jìn)行試驗(yàn)以找到初始值。越接近于真值越好，因此，如果你對參數(shù)值有一個(gè)合理的猜測值，將是很有用的。,?,2.估計(jì)方法選項(xiàng),（1）初始值 迭代估計(jì)要求模型系數(shù)有初始值。,?,非線性形式的邊際消費(fèi)傾向?yàn)?即 MPCt = c(2)*c(3)*inctC(3)1 = 0.214*1.0857*YDt1.08571,?,圖8.1 動(dòng)態(tài)的邊際消費(fèi)傾向,因此，非線性情況下的MPC是時(shí)變的，根據(jù)式（8.4.1）計(jì)算得到的邊際消費(fèi)傾向序列如圖8.1所示。利用我國1978年～2002年的年度數(shù)據(jù)估計(jì)此非線性方程，由于用迭代法計(jì)算，首先要賦初值，比如可以設(shè)?3的估計(jì)值b3初值是1，則可以利用OLS估計(jì)值(例6.1中，b1 =414.88，b2 =0.51) 作為b1 ，b2 的初值。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(gè)元素從c(1)到c(4)。,1. 說明非線性最小二乘估計(jì),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。 估計(jì)協(xié)方差矩陣為：,關(guān)于非線性估計(jì)的詳細(xì)討論，參見Pindick和Rubinfeld (1991, 231 245頁) 或Davidson和MacKinon(1993)。,?,非線性最小二乘估計(jì)根據(jù)參數(shù)? 的選擇最小化殘差平方和。對于這個(gè)模型，沒有辦法使用普通最小二乘估計(jì)來最小化殘差平方和。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)。 假設(shè)回歸方程為：,其中f 是解釋變量和參數(shù) ? 的函數(shù)。8.4 非線性模型,經(jīng)典的計(jì)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(jì)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。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(xiàng)保險(xiǎn)革新措施的速度y與保險(xiǎn)公司的規(guī)模x1和保險(xiǎn)公司類型的關(guān)系，選取下列數(shù)據(jù)：y是一個(gè)公司提出該項(xiàng)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(gè)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。模型如下： 其中 ＝保健年度支出 ＝年度收入,?,30,對一個(gè)定量變量和兩個(gè)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(gè)重要的薪金決定因素。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)。 (4)虛擬變量的系數(shù)稱為級(jí)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。 (3)被賦予零值的那個(gè)類別通常稱為基礎(chǔ)類型。更通用的規(guī)則是：如果一個(gè)定性變量有
法律信息相關(guān)推薦
鄂ICP備17016276號(hào)-1