回归模型的参数约束(共10页).doc

《回归模型的参数约束(共10页).doc》由会员分享，可在线阅读，更多相关《回归模型的参数约束(共10页).doc（10页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精选优质文档-倾情为你奉上3.6 受约束回归在建立回归模型时，有时根据经济理论需对模型中变量的参数施加一定的约束条件。如上节建立中国城镇居民对食品的消费需求函数时，根据需求函数的一般理论，它应满足零阶齐次性条件，即双对数线性模型中各变量前的参数和为零。同样地，在估计以幂函数的形式表示的生产函数模型时，有时也施加产出关于资本与劳动的弹性和为1的约束。模型施加约束条件后进行回归，称为受约束回归（restricted regression），与此对应，不加任何约束的回归称为无约束回归（unrestricted regression）。 一、模型参数的线性约束一般地，估计线性模型时可对模型参数施加若干

2、个线性约束条件。如对模型 （3.6.1）可施加 ， （3.6.2）于是，对（3.6.1）的回归可转化为对施加上述条件后如下模型的回归： (3.6.3)或 （3.6.4）其中，如果运用普通最小二乘法得到参数的估计结果，可由上述约束条件得到，。然而，对所考查的具体问题能否施加约束条件，或者说能否直接对施加约束后的模型进行回归，还需进一步进行相应的检验。常用的检验有F检验、检验与t检验，这里主要介绍F检验。在同一数据样本下，记无约束样本回归模型的矩阵式为 （3.6.5）记受约束样本回归模型的矩阵式为 （3.6.6）于是，受约束样本回归模型的残差项可写为 得受约束样本回归模型的残差平方和 （3.6.7

3、）式中第二项为一非负标量，于是 (3.6.8)其中，为无约束样本回归模型的残差平方和。在（3.6.5）与（3.6.6）两个回归模型中，有着相同的被解释变量Y与相同的数据样本，于是Y的总离差平方和TSS也相同。（3.6.8）式表明受约束样本回归模型的残差平方和不小于无约束样本回归模型的残差平方和，于是，受约束样本回归模型的回归平方和不大于无约束样本回归模型的回归平方和。这意味着，通常情况下，对模型施加约束条件会降低模型的解释能力。但是，如果约束条件为真，则受约束回归模型与无约束回归模型具有相同的解释能力，从而使得与的差异变小。于是，可用的大小来检验约束条件的真实性。根据数理统计学的知识，其中k为

4、回归模型中解释变量的个数，为回归模型随机扰动项的方差。于是， （3.6.9） (3.6.10) （3.6.11）其中，分别为无约束与受约束回归模型的解释变量的个数。于是可通过计算（3.6.11）式的统计量来进行相应的检验。当然，由于随机扰动项的方差往往未知，检验时需用它的估计量替代。由（3.6.9）式与（3.6.11）式，可进一步得到如下的F统计量 （3.6.12）F统计量无需估计随机扰动项的方差。根据该统计量，如果约束条件无效，则与的差异较大，计算的F值也较大。于是，可用计算的F统计量的值与所给定的显著性水平下的临界值作比较，来对约束条件的真实性进行检验。需注意的是，恰为约束条件的个数。例3

5、.6.1 在3.5节中国城镇居民对食品的人均消费需求实例中，无约束回归模型（3.5.18）式的残差平方和=0.00324，受约束回归模型（3.5.19）式的残差平方和=0.00332，样本容量n=14，无约束回归模型变量个数=3，约束条件个数=3-2=1。于是 在5%的显著性水平不，自由度为（1，10）的F统计量的临界值为=4.96。计算的F值小于临界值，不能拒绝中国城镇居民对食品的人均消费需求函数具有零阶齐次特性这一假设。需要指出的是，这里介绍的F检验适合所有关于参数线性约束的检验，3.4节中对回归模型总体的线性性检验，可以归结到这里的F检验上来。如对线性模型 的总体线性性检验，就是要检验联

6、合假设： ， 因此，受约束回归模型为 由（3.6.12）式，检验的统计量为这里，运用了受约束回归模型的回归平方和。二、对回归模型增加或减少解释变量在建立回归模型时，一个重要的问题是如何判断增加重要的解释变量或去掉不必要的解释变量。t检验可对单个变量的取舍进行判断，而上面介绍的检验除能对单个变量的取舍进行判断外，还可对多个变量的同时取舍进行判断。考虑如下两个回归模型：(3.6.13）（3.6.14）（3.6.13）式可以看成是（3.6.14）式施加如下约束条件的受约束回归：（3.6.15）相应的统计量为：（3.6.16）如果约束条件为真，即额外的变量对没有解释能力，则统计量较小；否则，约束条件为

7、假，意味着额外的变量对有较强的解释能力，则统计量较大。因此，可通过给定某一显著性水平下分布的临界值与统计量的计算值的比较，来判断额外变量是否应包括在模型中。由（3.6.16）式可得到统计量的另一个等价的式子：（3.6.17）式中，、分别为无约束回归与受约束回归方程的可决系数，表明通过变量增减前后回归方程的可决系数是否有“足够大”的变化来判断变量的增减与否。三、参数的稳定性1、邹氏参数稳定性检验建立模型时往往希望模型的参数是稳定的，即所谓的结构不变，这将提高模型的预测与分析功能。然而，经济结构的变化往往导致计量模型结构也发生变化。如3.5中国城镇居民对食品的人均消费需求例子中，从食品消费支出曲线

8、的变化上容易判断1994年前后这种结构的变化。下面给出一个结构变化的检验。假设我们需要建立的模型为 （3.6.1）在两个连续的时间序列（）与（）中，相应的模型分别为 （3.6.18） （3.6.19）合并两个时间序列为（），则可写出如下无约束回归模型： （3.6.20）其中，分别是两时间序列对应模型中的参数列向量，是对应模型的被解释变量以其样本为元素的列向量，是对应模型的解释变量矩阵。如果，表示没有发生结构变化，因此可针对如下假设进行检验： ： （3.6.21） （3.6.20）式施加该约束条件后变换为受约束回归模型 （3.6.22）因此，仍可用如下F统计量进行检验： （3.6.23）其中，与

9、分别为对应于无约束模型（3.6.20）与受约束模型（3.6.22）的残差平方和。记与为两时间序列对应的回归模型（3.6.18）与（3.6.19）在各自时间段上分别回归后所得的残差平方和，容易验证， 于是，F统计量可写为 （3.6.24）因此，对参数稳定性的原假设（3.6.21）的检验步骤为：首先，分别以两个连续的时间序列作为两个样本运用（3.6.1）式进行回归，得到相应的残差平方和与；然后，将两序列并为一个大样本后运用（3.6.1）式进行回归，得到大样本下的残差平方和；最后，通过（3.6.24）式的F统计量，在事先给定的显著性水平下进行假设检验。如果F大于相应的临界值，则拒绝原假设，认为发生了

10、结构变化，参数是非稳定的。该检验也被称为邹氏参数稳定性检验（Chow test for parameter stability）。2、邹氏预测检验上述参数稳定性检验要求，即第二个时间段中样本数不能小于待估参数的个数。如果出现，则往往进行如下的邹氏预测检验（Chow test for predictive failure）。邹氏预测检验的基本思想是，先用前一时间段个样本估计原模型，再用估计出的参数进行后一时间段个样本的预测，如果预测误差较大，则说明参数发生了变化，否则说明参数是稳定的。即需用第一时间段估计的参数（），考察第二时间段预测误差的大小。分别以 表示第一时间段与第二时间段的参数，即假设允

11、许预测期出现不同的参数向量，则完整的模型可写为 （3.6.25）其中，。如果，则，表明参数在估计期与预测期相同。将（3.6.5）写成矩阵式： （3.6.25）其中，为阶单位阵。可见，用前个样本估计可得前个参数的估计，而不外是用后个样本测算的预测误差。如果参数没有发生变化，则，（3.6.25）简化为： （3.6.26）(3.6.25)式与（3.6.26）式分别可看成无约束与受约束回归模型。因此，可用（3.6.12）式的F统计量进行约束的有效性检验： （3.6.27）这里，由于检验的约束为个元素的向量，因此，约束共有个。另外，在无约束模型（3.6.25）中，已将后个观测值的预测误差记入到了中，因此

12、，对应的样本残差，这样无约束回归中的总的残差平方和就等于用前个样本估计的残差平方和。邹氏预测检验仍为三步：第一步，在两时间段的合成大样本下做OLS回归，得受约束模型的残差平方和；第二步，对前一时间段的个子样做OLS回归，得残差平方和；第三步，计算（3.6.27）式的F统计量，在事先给定的显著性水平下进行假设检验。如果F大于相应的临界值，则拒绝原假设，认为预测期发生了结构变化。例3.6.2 在3.5节中国城镇居民对食品的人均消费需求实例中，从食品消费支出曲线的变化上容易判断1994年前后发生了结构变化，下面行进邹氏检验。在19952001年的时间段里，对如下双对数模型进行回归 得回归方程 （9.

13、96） (7.14) (-5.13) (1.81) =0.9946 =0.9893 DW=2.80 F=185.37 =0.对整个样本19812001年的时间段进行回归得 （14.83） (27.26) (-3.24) (-11.17) =0.9982 =0.9979 DW=0.93 F=3228.0 =0.在例3.5.1中，已经得到19811994年时间段的回归结果，其中RSS=0.，于是 在5%的显著性水平下，自由度为（4，13）的F分布的临界值为（4,13）=3.18，可见计算的F值远大于临界值，拒绝参数稳定的原假设，表明中国城镇居民对食品的人均消费需求行为在1994年前后发生了显著变化

14、。预测的F检验值为：在5%的显著性水平下，自由度为（7，10）的F分布的临界值为（7,10）=3.14，可见计算的F值大于临界值，拒绝参数稳定的原假设。*四、非线性约束估计线性模型时也可对模型参数施加非线性约束。如对模型 （3.6.1）施加非线性约束。然而，这时再无法找到一个类似于（3.6.3）式或（3.6.4）式那样简单的受约束回归模型，只能得到如下受约束回归模型 （3.6.28）该模型是无法运用通常的普通最小二乘法进行估计的。必需采用非线性最小二乘法（nonlinear least squares）进行估计。非线性最小二乘法的主要问题在于其参数估计量并不必然具有我们期望的小样本性质（sma

15、ll-sample properties）。然而，从最小二乘估计原理与最大似然估计原理来看，受约束的残差平方和最小化问题，等价于受约束的最大似然函数最大化的问题，且最小二乘估计量就是最大似然估计量，因此，估计量具有一致性与渐近有效性等大样本性质（large-sample properties）。有鉴于此，非线性约束检验是建立在最大似然原理基础上的。有三个著名的检验：最大似然比检验（likelihood ratiotest, LR）、沃尔德检验（Wald test, W）与拉格朗日乘数检验（Lagrange multiplier test, LM）。它们的共同特点是：在大样本下，以共同的检验为基

16、础，而自由度就是约束条件的个数。1、最大似然比检验最大似然比检验仍需估计无约束回归模型与受约束回归模型，但运用的估计方法是最大似然法，检验的是两个似然函数的值的差异是否“足够”大。记为一似然函数，对给定的样本数据，无约束回归就是求一组参数与，以使似然函数的值最大。如果给定约束条件，有约束的回归则是在该约束条件下，求另一组参数与，以使似然函数的值最大。根据拉格朗日极值法，就是求如下函数的极值问题 （3.6.29）其中，是以各约束条件为元素的列向量，则是以相应拉格朗日乘数为元素的行向量。同样地，受约束的函数值不会超过无约束的函数值，但如果给出的约束条件为真，则两个函数值就非常“接近”。由此，定义似

17、然比（likelihood ratio）为如果该比值很小，说明受约束似然函数值与无约束似然函数值差距较大，则应拒绝约束条件为真的假设；如果该比值接近于，则受约束似然函数值与无约束似然函数值很接近，应接受约束条件为真的假设。在进行检验时，由于在大样本下 （3.6.30）其中h是约束条件的个数，则可以在给定的显著性水平下，通过LR的计算值与相应的分布的临界值的比较，来判断是否拒绝给定的约束条件的假设。在例3.5.1中，受约束回归模型的最大似然值的对数值为ln38.57，无约束回归模型的最大似然值的对数值为ln38.73，于是LR= -2(38.57-38.73)=0.32该值小于5%显著性水平下、

18、自由度为的分布的临界值3.841，不拒绝原约束的假设，表明中国城镇居民对食品的人均消费需求函数满足零阶齐次性条件。、沃尔德检验似然比检验不仅要估计无约束模型，还要估计受约束模型。而在沃尔德检验中，只须估计无约束模型。如对模型 （3.6.1）要检验的约束，只须对该模型进行回归，并判断与1的差距是否足够大。在所有基本假设都成立的条件下，容易证明 因此，在的约束条件下 （3.6.31）由于是的方差，其值与随机扰动项的方差有关：，以的极大似然估计量代入，并记 ，于是，可建立服从自由度为1的的沃尔德统计量 （3.6.32）如果有h个约束条件，则可得到h个类似于（3.6.28）式的统计量，当它们相互独立时

19、，其平方和服从自由度为h的 分布。然而，一般情况下，由h个约束条件得到的h个z统计量不相互独立，因此，无法得到精确的分布。但是在各约束条件为真的情况下，可建立大样本下的服从自由度为h的渐近 分布统计量 (3.6.33)其中，Z为以为元素的列向量，C是的方差-协方差矩阵。因此，统计量W从总体上测量了无约束回归不满足各约束条件的程度。对非线性约束，也可类似地建立沃尔德统计量W，但算法描述要复杂得多。如对（3.6.1）式，如果给出非线性约束，也可以证明，在大样本下，。因此，如果的约束为真，则在大样本下这里的算法比较复杂，可用泰勒公式进行展开计算。3、拉格朗日乘数检验沃尔德检验只须估计无约束模型，而拉

20、格朗日乘数检验则只需估计受约束模型。在受约束回归最大似然法的极值问题 （3.6.29）中，是以各约束条件相应拉格朗日乘数为元素的行向量，各拉格朗日乘数的大小则衡量了各约束条件对最大似然函数值的影响程度。如果某一约束为真，则该约束条件对最大似然函数值的影响很小，于是，相应的拉格朗日乘数的值应接近于零。因此，拉格朗日乘数检验就是检验某些拉格朗日乘数的值是否“足够大”，如果“足够大”，则拒绝约束条件为真的假设。拉格朗日统计量LM本身是一个关于拉格朗日乘数的复杂的函数，在各约束条件为真的情况下，服从一自由度恰为约束条件个数的渐近分布。同样地，如果为线性约束，LM则服从于一精确的分布： （3.6.34）其中n为样本容易，为如下被称为辅助回归（auxiliary regression）的可决系数这里，为受约束回归模型的残差序列。如果约束是非线性的，辅助回归方程的估计比较复杂，但仍可按（3.6.34）式计算LM统计量的值。最后，一般地有，因此，在有限样本中，它们的数值结果会有所不同。专心-专注-专业