![f5af5b90d7a8fc790078ca28de4bcd9b.png](https://img-blog.csdnimg.cn/img_convert/f5af5b90d7a8fc790078ca28de4bcd9b.png)
图片来自网络,侵删
断更一年了……
终于想好要来填坑了!!!
在进行了模型的参数估计之后,我们下一步就该进行“模型的检验”了,这既包括统计检验,也包括经济检验。经济检验要看模型估计的参数是否符合经济理论或者说常识,而统计检验则有着更加复杂的计算。
一般而言,我们将模型的检验分为两个部分:
1,模型拟合程度怎样?
2,模型的参数是不是真的有意义?
![33246e8e678c5042d53e3bb044c1b69a.png](https://img-blog.csdnimg.cn/img_convert/33246e8e678c5042d53e3bb044c1b69a.png)
一、拟合优度与可决系数
拟合优度:模型对所有样本观测值的拟合程度。
下图呈现了一条典型的一元线性回归图像:
![08549e725b60f03ef3e5d1ddc60f13f9.png](https://img-blog.csdnimg.cn/img_convert/08549e725b60f03ef3e5d1ddc60f13f9.png)
图中,黑色的线表示
那么使用残差平方和(residual sum of squares, RSS)作为拟合优度的比较真的合适吗?当然不,因为RSS是一个绝对量,它的值极有可能随着样本量的增大而增大。我们应该使用相对量进行比较。
考虑总离差平方和(total sum of squares, TSS),也就是
对于
那么,
根据正规方程组可知
也就是说,总离差平方和=回归平方和(explained sum of squares, ESS)+残差平方和。如果要取相对量进行比较的话,我们一般也希望“越大越好”,所以,我们建立一个名为“可决系数”的统计量:
值得注意的是,
另外,我们重新审视
将其约分化简之后,我们可以发现,在一元线性模型OLS估计中,可决系数等于
二、模型参数的检验
正如前文中提及的,
我们 注意到,当
这是一个双侧检验,进行假设检验,必须知道统计量
1)根据模型最初的五个假设:
夔小攀:计量经济学:一元线性回归模型的基本假设zhuanlan.zhihu.com![a1e1fbc747debb4f891c42bed1645535.png](https://img-blog.csdnimg.cn/img_convert/a1e1fbc747debb4f891c42bed1645535.png)
2)根据OLS估计下的估计量性质计算:
夔小攀:计量经济学:一元线性回归最小二乘估计(OLS)及其检验zhuanlan.zhihu.com![a1e1fbc747debb4f891c42bed1645535.png](https://img-blog.csdnimg.cn/img_convert/a1e1fbc747debb4f891c42bed1645535.png)
这其中,
3)最小二乘估计、极大似然估计、矩估计中的
最小二乘估计中,我们以矩阵的角度考虑会更加清晰(挖坑:请大家期待多元线性回归),我们在这里不加解释地给出:
而对于极大似然估计与矩估计
夔小攀:计量经济学:一元线性回归 最大似然估计(MLE)与矩估计(MM)zhuanlan.zhihu.com![a1e1fbc747debb4f891c42bed1645535.png](https://img-blog.csdnimg.cn/img_convert/a1e1fbc747debb4f891c42bed1645535.png)
极大似然估计中,对数似然函数为:
对
矩估计中,总体矩
既然最小二乘估计量是最小方差的,那么与最小二乘估计想比,就可以知道,极大似然估计与矩估计的估计量必然不具有“有效性”。
4)构建统计量,进行检验:
这里
当然,稍加变化就可以进行
通过增大样本容量,提高模型拟合优度,就能够缩小置信区间。
三、一元线性回归的预测
1) 条件均值的预测值:代入
对于总体回归函数中的
2)条件均值的置信区间
根据:
据此可知:
可以构造:
由此得出
3)总体个别值的置信区间
那么可以构建统计量:
由此可以得出