显著性检验.docx

显著性检验
T 检验
零假设，也称稻草人假设，如果零假设为真，就没有必要把X纳入模型，因 此如果X确定属于模型，则拒绝零假设Ho,接受备择假设H1,
(Ho:B2=0 Hl：B2H0)
假设检验的显著性检验法:
t= (b2-B2取值为 0 的一类称为基准类、基础类、参照类、比较类，研究结论与 基准类的选择没有关系。
定型变量有m种分类时，则需引入(m-1)个虚拟变量，否则会陷入虚拟变 量陷阱即完全共线性或多重共线性。
多重共线性
例：收入变量(X2)完全线性相关，而R2(=r2)=1
解释变量之间完全线性相关或者完全多重共线性时，不可能获得所有参数的 唯一估计值，因而不能根据样本进行任何统计推断。 多重共线性产生的原因：
1 经济变量变化趋势的同向性2 解释变量中含有之 后变量
多重共线性的理论后果：①，在近似共线性的情况下，OLS估计量仍是无偏 的②近似共线性并未破坏， OLS 估计量的最小方差性③即使在总体回归方程 中变量 x 之间不是线性相关，但在某个样本中， x 变量之间可能线性相关。 多重共线性的实际后果：①OLS估计量的方差和标准误较大②置信区间变宽 ③t值不显著④
R2值较高⑤OLS的估计量及其标准误对数据的微小变化敏感，他们不稳定⑥ 回归系数符号有误⑦难以评估多个解释变量对回归平方和（ESS）或R2的贡 献 异方差：
（同）等方差：例如，对于不同的个人可支配收入，储蓄的方差保持不变 异方差：例如，对于不同的个人可支配收入，储蓄的方差并不相等，它随着 个人可支配收入增加而变大。异方差问题多存在于截面数据而非时间序列数 据。
异方差的后果：①OLS估计量仍是线性的②OLS估计量是无偏的③OLS估计 量不再具有最小方差性，即不再是有效的， OLS 估计量不再是最优线性无偏 估计量④OLS估计量的方差通常是有偏的⑤偏差的产生是由于6辽，即 Eei2 （d・f不再是真实6 2的无偏估计量）⑥建立在t分布和F分布上的 置信区间和假设检验是不可靠的
自相关 自相关：按时间（如时间序列数据）或者空间（如截面数据）排列的观察值 之间的相关关系。自相关通常与时间序列数据有关
自相关的产生原因：①惯性②模型设定误差③蛛网现象④数据处理 自相关的后果：①最小二乘估计量仍是线性的和无偏的②最小二乘估计量不 是有效的，OLS估计量并不是最优线性无偏估计量（BLUE）3OLS估计量的方 差是有偏的④通常所用的t检验，F检验是不可靠的⑤计算得到的误差方 6辽二RSS/ d・f是真实的6辽的有偏估计量，并且很可能低估了真实的 6辽⑥通常计算的R2不能测度真实的RV⑦通常计算的预测方差和标准误 也是无效的。
模型选择：
（1）好的模型具有的性质：简约性；可识别性；拟合优度；理论一致性；（2） 设定误差的类型：遗漏相关变量；包括不必要变量；采用错误的函数形式； 度量误差 （3）各种设定误差的后果：遗漏相关变量，过低拟合模型；包
括不相关变量，过度拟合模型；度量误差： 1、因变量中的度量误差， OLS 估计量是无偏的， OLS 估计量的方差也是无偏的。但是估计量的估计方差比 没有度量误差时的大。因为应变量中的误差加入到了误差项ui中。2、解释 变量中的度量误差， OLS 估计量是有偏的， OLS 估计量也是不一致的。即使 样本容量足够