【正文】 146 52. 7 993 71. 1 1989 143 60. 1 對 局部調整模型 運用 OLS法估計結果如下 15 6 3 7 1 7 0 0 ?????? tttt YPXY （ ） () () () 最后得到長期貨幣流通需求模型的估計式： ttet PXY 6 3 4 8 3 ????ttttt YPXY ????????? ?????? ? 1210 )1( 注意： 盡管 .=，但不能據(jù)此判斷自回歸模型不存在自相關 (Why?)。 如果直接對下式作 OLS回歸 tttt PXY ???? ???? 210ttt PXY 4 2 6 1 1 ????（ ） () () 得 可見該模型隨機擾動項具有序列相關性， 四、格蘭杰因果關系檢驗 ? 自回歸分布滯后模型旨在揭示：某變量的變化受其自身及其他變量過去行為的影響。 格蘭杰檢驗是通過受約束的 F檢驗 完成的。 如果 : FF?(m,nk) ，則拒絕原假設，認為 X是 Y的格蘭杰原因 。不同的滯后期可能會得到完全不同的檢驗結果。 例 檢驗 1978~2022年間中國當年價 GDP與居民消費 CONS的因果關系。 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。 表 5 .2. 4 格蘭杰因果關系檢驗 滯后長度 格蘭杰因果性 F 值 P 值 LM 值 A I C 值 結論 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 。 分析： 167。 相關變量的遺漏 （ omitting relevant variables） ? 例如 ，如果 “ 正確 ” 的模型為 ???? ???? 22110 XXY而我們將模型設定為 vXY ??? 110 ??即設定模型時漏掉了一個相關的解釋變量。 ? 動態(tài)設定偏誤 （ dynamic misspecification） :遺漏相關變量表現(xiàn)為對 Y或 X滯后項的遺漏 。 錯誤的函數(shù)形式 (wrong functional form) ? 例如，如果 “ 真實 ” 的回歸函數(shù)為 ??? eXAXY 21 21?但卻將模型設定為 vXXY ???? 22110 ???二、模型設定偏誤的后果 ? 當模型設定出現(xiàn)偏誤時，模型估計結果也會與“ 實際 ” 有偏差。 遺漏相關變量偏誤 采用遺漏相關變量的模型進行估計而帶來的偏誤稱為 遺漏相關變量偏誤 （ omitting relevant variable bias）。 (2)如果 X2與 X1不相關，則 ?1的估計滿足無偏性與一致性；但這時 ?0的估計卻是有偏的。 設 Y=?0+ ?1X1+v (*) 為正確模型，但卻估計了 Y=?0+?1X1+?2X2+? (**) 如果 ?2=0， 則 (**)與 (*)相同，因此，可將 (**)式視為以 ?2=0為約束的 (*)式的特殊形式。 但是， OLS估計量卻不具有最小方差性。 容易判斷，這種 偏誤是全方位的 。 三、模型設定偏誤的檢驗 檢驗是否含有無關變量 可用 t 檢驗與 F檢驗完成。因此，只須對無關變量系數(shù)的顯著性進行檢驗。 （ 2）一般性設定偏誤檢驗 但更準確更常用的判定方法是拉姆齊 (Ramsey)于 1969年提出的所謂 RESET 檢驗 （ regression error specification test）。 RESET檢驗中，采用所設定模型中被解釋變量Y的估計值 ?的若干次冪來充當該 “ 替代 ” 變量。 若僅增加一個 “ 替代 ” 變量，也可通過 t檢驗 來判斷。 ????? ?????? ?313212110 XXXY因此，如果設定了線性模型，就意味著遺漏了相關變量 X1 X13 ，等等。 （ *） 對 多元回歸 ，非線性函數(shù)可能是關于若干個或全部解釋變量的非線性，這時可 按遺漏變量的程序進行檢驗 。 ?????? ?????? 322122110 ?? YYXXY 這時，只需以估計出的 ?的若干次冪為 “ 替代 ”變量，進行類似于如下模型的估計 再判斷各 “ 替代 ” 變量的參數(shù)是否顯著地不為零即可。 ,估計了中國商品進口 M與 GDP的關系，并發(fā)現(xiàn)具有強烈的一階自相關性。因此，序列相關性的主要原因可能就是建模時遺漏了重要的相關變量造成的。 用原回歸模型估計出商品進口序列 tt G D PM 0 2 5 2? ?? R2= （ ） （ ） （ ） （ ） R2= 32 0 2 7 6 ~ ttt MEMG D PM ??????))1(/()1(/)(222??????qknRqRRFURU )424/()9 8 (2/)9 4 8 ( ????? 在 ?=5%下，查得臨界值 (2, 20)= 判斷： 拒絕原模型與引入新變量的模型可決系數(shù)無顯著差異的假設，表明 原模型確實存在遺漏相關變量的設定偏誤 。 因此，對模型遺漏相關變量的檢驗可以用模型是否出現(xiàn)解釋變量與隨機擾動項同期相關性的檢驗來替代。 當解釋變量與隨機擾動項同期相關時，通過工具變量法可得到參數(shù)的一致估計量。 因此， 只須檢驗 IV估計量與 OLS估計量是否有顯著差異來檢驗解釋變量與隨機擾動項是否同期無關。 設一元樣本回歸模型為 iii eXY ??? 10 ?? ??以 Z為工具變量，則 IV估計量為： ???iiiixzyz?~???? ????iiiiiiiiixzezxzexz11 ?)?( ?? (*) (*)式表明， IV估計量與 OLS估計量無差異當且僅當 ?ziei=0，即工具變量與 OLS估計的殘差項無關。 如對二元回歸模型 iiii XXY ???? ???? 22110iiiii XXXXY 221122110 ?? ????? ????? 通過 增加解釋變量的 F檢驗 ，檢驗聯(lián)合假設： H0： ?1=?2=0 。 (*) （ 4）線性模型與雙對數(shù)線性模型的選擇 無法通過判定系數(shù)的大小來輔助決策 ，因為在兩類模型中被解釋變量是不同的。 ??? )ln1e x p()(~ /121 inn YnYYYY ? 第二步 ，用得到的樣本幾何均值去除原被解釋變量 Y，得到被解釋變量的新序列 Y*。并通過比較它們的殘差平方和是否有顯著差異來進行判斷。 可以證明： 該統(tǒng)計量在兩個回歸的殘差平方和無差異的假設下服從自由度為 1 的 ?2分布。 Zarembka（ 1968）提出的檢驗統(tǒng)計量為： 例 在 167。 采用雙對數(shù)線性模型 : R2=， 但不能就此簡單地判斷雙對數(shù)線性模型優(yōu)于線性模型。 計算原商品進口樣本的幾何平均值為： 8 3)ln (e x p (~ 1 ?? ? tn MM 計算出新的商品進口序列： MMM tt ~./* ?以 Mt*替代 Mt，分別進行雙對數(shù)線性模型與線性模型的回歸，得： tt G D PM ln7 8 3 5 6 )?ln ( * ??? RSS1= tt G D PM 0 0 0 0 3 6 2 * ??RSS2= 于是， )1 2 4 (2421)ln (2112 ???R S SR S Sn 在 ?=5%下，查得臨界值 ?(1)= 判斷： 拒絕原假設，表明 雙對數(shù)線性模型確實“優(yōu)于”線性模型。 二、樣本資料出現(xiàn)誤差的原因 測量不準確 登記性誤差 數(shù)據(jù)資料編輯和修整形成的誤差 變量的替代問題。 解釋變量的取值如果存在誤差，可能會使它具有一定的隨機性。但從本質上看，隨機解釋變量與解釋變量誤差還是有差別的。 解釋變量的計量誤差 有偏、不一致 被解釋變量和解釋變量同時具有測量誤差 有偏、不一致 五、誤差變量模型的估計 一、逆最小二乘法 被解釋變量的計量誤差不會產生嚴重后果，關鍵是解釋變量的觀察誤差。 二、二點法 被解釋變量與解釋變量的計量誤差均很嚴重時，用二點法。 將被解釋變量的觀察值按解釋變量的順序進行相應調整。 以兩組 x和 y的平均數(shù)為直角坐標系中的點，可以得參數(shù)的估計值。 167。 20世紀 70年代中葉以來，計量經濟學建模方法與建模理論得到了迅速發(fā)展。這些現(xiàn)代建模理論是在對傳統(tǒng)建模理論的不斷質疑與修正中發(fā)展起來的， 一、傳統(tǒng)建模理論與數(shù)據(jù)開采問題 傳統(tǒng)計量經濟學的主導建模理論是 “ 結構模型方法論 ” ： 以先驗給定的經濟理論為建立模型的出發(fā)點， 以模型參數(shù)的估計為重心， 以參數(shù)估計值與其理論預期值相一致為判斷標準， 是一個 “ 從簡單到復雜 ” 的建模過程（ simpletogeneral approach） : 對不同變量及其數(shù)據(jù)的償試與篩選過程 . 這種傳統(tǒng)的建模方法卻有著某些固有的缺陷。 數(shù)據(jù)開采 :對不同變量及其數(shù)據(jù)的償試與篩選 這一過程對最終選擇的變量的 t檢驗產生較大影響 當在眾多備選變量中選擇變量進入模型時，其中 t檢驗的真實的顯著性水平已不再是事先給出的名義顯著性水平。 羅維爾（ Lovell）給出了一個從 c個備選變量中選取 k個變量進入模型時，真實顯著性水平 ?*與名義顯著性水平 ?的關系： ?*=1(1 ?)c/k 如： 給定 ?=5%， 如果 有 2個相互獨立且與被解釋變量無關的備選變量，誤選一個進入模型的概率就成了 1()2= 傳統(tǒng)建模方法的另一問題是它的“隨意性”。 二、“從一般到簡單” ——約化建模型理論 該理論認為： 在模型的最初設定上 ， 就設立一個 “ 一般 ” 的模型 ， 它包括了所有先驗經濟理論與假設中所應包括的全部變量 ， 各種可能的 “ 簡單 ” 模型都被 “ 嵌套 ” （ nested） 在這個 “ 一般 ”的模型之中 。 這就是所謂的 “ 從一般到簡單 ” （ generaltospecific） 的建模理論 。 特點： “從一般到簡單 ” 的建模理論 例 例 型： Q=f(X,P1,P0) 然而 ， 有理由認為 X、 P P0的變化可能會經過一段時期才會對 Q起作用 ， 因為消費者固有的消費習慣是不易改變的 。 （ *） （ **） 如果一個模型可通過對 “ 一般 ” 模型施加約束得到，則稱該模型 “ 嵌套 ” 在一般模型之中。 該兩條性質是相互關聯(lián)的 。 一個 “ 一般 ” 的模型是能夠進行諸如遺漏相關變量 、 多選無關變量以及誤設函數(shù)形式的多種設定偏誤檢驗的 。 這往往是通過檢驗 “ 嵌套 ” 于其中的各種簡單模型進行的。 一般模型的約化過程，是一個 自上而下（ topdown）逐級化簡的建模