当前位置:文档之家› 伍德里奇《计量经济学导论》(第4版)笔记和课后习题详解-第5~9章【圣才出品】

伍德里奇《计量经济学导论》(第4版)笔记和课后习题详解-第5~9章【圣才出品】

2.推导 OLS 的不一致性 误差项和 x1,x2,…,xk 中的任何一个相关,通常也会导致所有的 OLS 估计量都失去 其一致性。 总结为:如果误差与任何一个自变量相关,那么 OLS 就是有偏而又不一致的估计。它 就意味着,随着样本容量的增加,偏误将继续存在。
βˆ1 的不一致性为:
plimβˆ1 β Cov x1,u /Var x1
圣才电子书 十万种考研考证电子书、题库视频学习平台

第 5 章 多元回归分析:OLS 的渐近性
5.1 复习笔记
一、一致性
1.定理 5.1:OLS 的一致性
在假定 MLR.1~MLR.4 下,对所有的 j=0,1,2,…,k,OLS 估计量 βˆ j 都是 βj 的一
致估计。
其次,零条件均值假定意味着已经正确地设定了总体回归函数(PRF)。也就是说,在 假定 MLR.4 下,可以得到解释变量对 y 的平均值或期望值的偏效应。如果只使用假定 MLR.4',那么,β0+β1x1+β2x2+…+βkxk 就不一定代表了总体回归函数,也就面临着 xj 的某些非线性函数可能与误差项相关的可能性。
三、OLSHale Waihona Puke 的渐近有效性4 / 162
圣才电子书

1.简单回归模型
标准正态分布在式中出现的方式与 tn-k-1 分布不同。这是因为这个分布只是一个近似。
实际上,由于随着自由度的变大,tn-k-1 趋近于标准正态分布,所以如下写法也是合理的:
βˆj βj
/ se
βˆ j
a
~ tnk 1
2.其他大样本检验:拉格朗日乘数统计量
(1)包含 k 个自变量的多元回归模型
①假定 MLR.4'是一个更自然的假定,因为它直接得到普通最小二乘估计值。
②使用假定 MLR.4 的原因
1 / 162
圣才电子书 十万种考研考证电子书、题库视频学习平台

首先,如果 E(u|x1,x2,…,xk)=0 与任何一个 xj 相关,那么,在假定 MLR.4' 下,普通最小二乘估计量都是有偏误(但一致)的。
LM 统计量仅要求估计约束模型。于是,假定进行了如下回归
y= β%0+ β%1x1+ β%kq xkq+u%
式中“~”表示估计值都来自约束模型。u%表示约束模型的残差。如果被排除变量 xk-
q+1 到 xk 在总体中的系数都为零,那么应该与样本中这些变量中的每一个都不相关,至少近
似无关。
进行 u%对 x1,x2,…,xk 的辅助回归,辅助回归是用来计算一个检验统计量,但回归系
(2)σ2 是 σ2=Var(u)的一个一致估计量。
(3)对每个 j,都有:
βˆj βj
/ se
βˆ j
a
~ Normal 0,1
其中, se βˆ j 就是通常的 OLS 标准误。
定理 5.2 的重要之处在于,它去掉了正态性假定 MLR.6。对误差分布唯一的限制是,
它具有有限方差。还对 u 假定了零条件均值(MLR.4)和同方差性(MLR.5)。
因为 Var(x1)>0,所以,若 x1 和 u 正相关,则 βˆ1 的不一致性就为正,而若 x1 和 u 负相关,则 βˆ1 的不一致性就为负。如果 x1 和 u 之间的协方差相对于 x1 的方差很小,那么这
种不一致性就可以被忽略。由于 u 是观测不到的,所以甚至还不能估计出这个协方差有多 大。
二、渐近正态和大样本推断 1.定理 5.2:OLS 的渐近正态性 在高斯-马尔可夫假定 MLR.1~MLR.5 下, (1)
y=β0+β1x1+…+βkxk+u 检验这些变量中最后 q 个变量是否都具有零总体参数。
虚拟假设:H0:βk-q+1=0,…,βk=0,它对模型施加了 q 个排除性约束。 对立假设:这些参数中至少有一个异于零。
3 / 162
圣才电子书 十万种考研考证电子书、题库视频学习平台

数没有直接意义。
样本容量乘以辅助回归式的 R2,渐近服从一个自由度为 q 的 χ2 随机变量的分布。LM
统计量有时也被称为 n-R2 统计量。
(2)q 个排除性约束的拉格朗日乘数统计量
①将 Y 对施加限制后的自变量集进行回归,并保留残差;
②将对所有自变量进行回归,并得到 R2,记为 Ru2 ;
③计算 LM nRu2 ;
2 / 162
圣才电子书 十万种考研考证电子书、题库视频学习平台

n
βˆ j β j
a
~ Normal
0, σ 2
/
a
2 j
σ 2 / a2j 0 是 n βˆ j β j 的渐近方差;斜率系数,
a2
plim
n1
n
rˆij2
i1
rˆ 其中 ij 是 Xj 对其余自变量进行回归所得到的残差。 βˆ j 为渐近正态分布的。
④将
LM

χ
2 q
分布中适当的临界值
c
相比较,如果
LM>c,就拒绝虚拟假设。
(3)与 F 统计量比较
与 F 统计量不同,无约束模型中的自由度在进行 LM 检验时没有什么作用。所有起作用
的因素只是被检验约束的个数(q)、辅助回归 R2 的大小( Ru2 )和样本容量(n)。无约束 模型中的 df 不起什么作用,这是因为 LM 统计量的渐近性质。但必须确定将 Ru2 乘以样本容 量以得到 LM,如果 n 很大, Ru2 看上去较低的值仍可能导致联合显著性。
给定 Var(x1)≠0,因为 Cov(x1,u)=0,可以使用概率极限的性质得到:
p lim βˆ1 β1 Cov x1,u / Var x1 β1
(2)假定 MLR.4'(零均值和零相关)
对所有的 j=1,2,…,k,都有 E(u)=0 和 Cov(x1,u)=0。
假定 MLR.4'与假定 MLR.4 的比较:
(1)证明过程
写下 βˆ1 的公式,然后将 yi=β1+β1X1+ui 代入其中便得到:
n
n
xi1 x1 yi
n1 xi1 x1 ui
βˆ1
i 1 n
β1
i 1 n
xi1 x1 2
n1
xi1 x1 2
i 1
i 1
在分子和分母中应用大数定律,则分别依概率收敛于总体值 Cov(x1,u)和 Var(x1)。
相关主题