目录
9.1 遗漏变量
假设真实的模型(true model):
y
=
α
+
β
x
1
+
γ
x
2
+
ε
y=\alpha+\beta x_1+\gamma x_2+\varepsilon
y=α+βx1+γx2+ε
实际估计模型(omitted model):
y
=
α
+
β
x
1
+
ε
y=\alpha+\beta x_1+\varepsilon
y=α+βx1+ε
对比两个方程可知,遗漏变量
x
2
x_2
x2被纳入新扰动项
u
=
γ
x
2
+
ε
u=\gamma x_2+\varepsilon
u=γx2+ε
总之,由于影响被解释变量的因素往往很多,而局限于数据的可得性,故在任何实证研究中几乎总存在遗漏变量。因此,一篇专业水准的实证论文几乎总是需要说明,它是如何在存在遗漏变量的情况下避免遗漏变量偏差的。如果无法令人信服地说明这一点,则结果就是可疑的。
9.2 无关变量
假设真实的模型为:
y
=
α
+
β
x
1
+
ε
y=\alpha+\beta x_1+\varepsilon
y=α+βx1+ε
其中,
C
o
v
(
x
1
,
ε
)
=
0
Cov(x_1,\varepsilon)=0
Cov(x1,ε)=0
实际估计的模型:
y
=
α
+
β
x
1
+
γ
x
2
+
(
ε
−
γ
x
2
)
y=\alpha+\beta x_1+\gamma x_2+(\varepsilon-\gamma x_2)
y=α+βx1+γx2+(ε−γx2)
其中,加入了与被解释变量无关的解释变量
x
2
x_2
x2。由于真实参数
γ
=
0
\gamma=0
γ=0,故可将模型写为:
y
=
α
+
β
x
1
+
γ
x
2
+
ε
y=\alpha+\beta x_1+\gamma x_2+\varepsilon
y=α+βx1+γx2+ε
OLS仍然一致。
然而,引入无关变量后,由于受到无关变量的干扰,估计量 β ^ \hat\beta β^的方差一般会增大。总之,对于解释变量的选择最好遵循经济理论的知道。
9.3 建模策略:“由大到小”还是“由小到大”
9.4 解释变量个数的选择
icecream.dta
//使用信息准则
quietly reg consumption temp price income
estat ic
quietly reg consumption temp L.temp price income //加入一阶滞后项
estat ic
quietly reg consumption temp L.temp L2.temp price income //加入二阶滞后项
estat ic
//使用序贯t规则
reg consumption temp L.temp L2.temp price income //假设pmax=2
reg consumption temp L.temp price income //pmax-1
加入一阶滞后项后,AIC和BIC都下降了
加入二阶滞后项后,AIC和BIC都上升了
9.5 对函数形式的检验
假设真实模型为:
y
=
α
+
β
x
+
(
γ
x
2
+
ε
)
y=\alpha+\beta x+(\gamma x^2+\varepsilon)
y=α+βx+(γx2+ε)
其中,
C
o
v
(
x
,
ε
)
=
0
Cov(x,\varepsilon)=0
Cov(x,ε)=0,而平方项
γ
x
2
\gamma x^2
γx2被遗漏。
解释变量与扰动项相关:
C
o
v
(
x
,
γ
x
2
+
ε
)
=
γ
C
o
v
(
x
,
x
2
)
+
C
o
v
(
x
,
ε
)
=
γ
C
o
v
(
x
,
x
2
)
≠
0
Cov(x,\gamma x^2+\varepsilon)=\gamma Cov(x,x^2)+Cov(x,\varepsilon)=\gamma Cov(x,x^2)\neq0
Cov(x,γx2+ε)=γCov(x,x2)+Cov(x,ε)=γCov(x,x2)=0
因此遗漏高次项也会导致遗漏变量偏差。
Ramsey’s RESET 检验
①辅助回归:
y
=
α
+
β
x
1
+
γ
x
2
+
δ
2
y
^
2
+
δ
3
y
^
3
+
δ
4
y
^
4
+
ε
y=\alpha+\beta x_1+\gamma x_2+\delta_2\hat{y}^2+\delta_3\hat{y}^3+\delta_4\hat{y}^4+\varepsilon
y=α+βx1+γx2+δ2y^2+δ3y^3+δ4y^4+ε
对
H
0
:
δ
2
=
δ
3
=
δ
4
=
0
H_0:\delta_2=\delta_3=\delta_4=0
H0:δ2=δ3=δ4=0作
F
F
F检验。
如果拒绝
H
0
H_0
H0,则说明模型中应有高次项,但不能提供具体遗漏哪些高次项的信息;反之,如果接受
H
0
H_0
H0,则可使用线性模型。
②辅助回归:
y
=
α
+
β
x
1
+
γ
x
2
+
δ
2
x
1
2
+
δ
3
x
2
2
+
δ
4
x
1
x
2
+
ε
y=\alpha+\beta x_1+\gamma x_2+\delta_2x_1^2+\delta_3x_2^2+\delta_4x_1x_2+\varepsilon
y=α+βx1+γx2+δ2x12+δ3x22+δ4x1x2+ε
检验
H
0
:
δ
2
=
δ
3
=
δ
4
=
0
H_0:\delta_2=\delta_3=\delta_4=0
H0:δ2=δ3=δ4=0
如何确定回归方程的函数形式,最好从经济理论出发。在缺乏理论指导的情况下,可先从线性模型出发,然后进行RESET检验,看是否加入非线性项。
在Stata中作完回归,进行RESET检验的命令为estat ovtest,rhs
ovtest:omitted variable test,因为遗漏高次项的后果类似于遗漏解释变量。
选择项 rhs :表示用解释变量的幂为非线性项,即②。默认①。
grilic.dta
qui reg lnw s expr tenure smsa rns
estat ovtest
estat ovtest,rhs
gen expr2=expr^2
reg lnw s expr expr2 tenure smsa rns
estat ovtest,rhs
事实上,在本例中,最重要的模型设定误差乃是遗漏了对个人能力的度量,将在第10章进一步讨论。
9.6 多重共线性
在Stata上画VIF关于
R
k
2
R_k^2
Rk2的图像
twoway function VIF=1/(1-x),xtitle(R2) xline(0.9,lp(dash)) yline(10,lp(dash)) xlabel(0.1(0.1)1) ylabel(10 100 200 300)
在Stata中作完回归后,可使用如下命令计算各变量的VIF
estst vif
grilic.dta
use "D:\a_DUFE\000master_gogogo\stata相关\陈强_计量经济学及Stata应用\Data-Finished-本科计量\grilic.dta"
reg lnw s expr tenure smsa rns
estat vif
gen s2=s^2
reg lnw s s2 expr tenure smsa rns
estat vif
reg s2 s
sum s
gen sd=(s-r(mean))/r(sd)
gen sd2=sd^2
reg lnw sd sd2 expr tenure smsa rns
estat vif
reg sd2 sd
reg lnw sd expr tenure smsa rns
dis .2290816/2.231828
reg lnw s expr tenure iq smsa rns
P.S.下面的图有下错误,不想改了(任性ing)
一个可能的解决办法是将变量标准化,即减去均值,除以标准差
x
~
≡
x
−
x
‾
s
x
\widetilde{x}\equiv\frac{x-\overline{x}}{s_x}
x
≡sxx−x
9.7 极端数据
nerlove.dta
进行回归,人为地构造一个极端值,再进行回归。比较的回归结果。
去掉人造极端值。对比回归结果。
use "D:\a_DUFE\000master_gogogo\stata相关\陈强_计量经济学及Stata应用\Data-Finished-本科计量\nerlove.dta"
reg lntc lnq lnpl lnpk lnpf
replace lnq=lnq*100 if _n==1 //将第一个观测值的产量对数乘以100
reg lntc lnq lnpl lnpk lnpf
reg lntc lnq lnpl lnpk lnpf if _n>1 //去掉人造极端值
如何发现极端数据???
-
对于一元回归,可以通过画 ( x , y ) (x,y) (x,y)的散点图来直观地考察是否存在极端观测值。但画图的方法对于多元回归则行不通。
-
某个观测值的影响力可通过去掉此观测值对回归系数的影响来衡量。
β
^
\hat\beta
β^:全样本的OLS估计值
β
^
(
i
)
\hat\beta^{(i)}
β^(i):去掉第
i
i
i个观测值后的OLS估计值
我们关心 ( β ^ − β ^ ( i ) ) (\hat\beta-\hat\beta^{(i)}) (β^−β^(i))的变化幅度以及如何决定。
定义:第
i
i
i个观测数据对回归系数的“影响力”或“杠杆作用”为
l
e
v
i
≡
x
i
′
(
X
′
X
)
−
1
x
i
lev_i\equiv\boldsymbol{x_i^{'}(X^{'}X)^{-1}x_i}
levi≡xi′(X′X)−1xi
levi和
(
β
^
−
β
^
(
i
)
)
(\hat\beta-\hat\beta^{(i)})
(β^−β^(i))的关系:
β
^
−
β
^
(
i
)
=
(
1
1
−
l
e
v
i
)
(
X
′
X
)
−
1
x
i
e
i
\hat\beta-\hat\beta^{(i)}=\left(\frac{1}{1-lev_i}\right)\boldsymbol{(X^{'}X)^{-1}x_i}e_i
β^−β^(i)=(1−levi1)(X′X)−1xiei
levi越大,则
(
β
^
−
β
^
(
i
)
)
(\hat\beta-\hat\beta^{(i)})
(β^−β^(i))的变化越大
levi满足:
(1)0≤levi≤1,(i=1,…,n)
(2)
∑
i
=
1
n
l
e
v
i
=
K
\sum\limits^n_{i=1}lev_i=K
i=1∑nlevi=K(解释变量个数),影响力levi的平均值为
K
/
n
K/n
K/n
- 如果某些数据的levi比平均值 K / n K/n K/n高很多,则可能对回归系数有很大影响。
在Stata中作完回归后,计算影响力levi的命令为
predict lev,leverage
变量名lev可自行命名
nerlove.dta
use "D:\a_DUFE\000master_gogogo\stata相关\陈强_计量经济学及Stata应用\Data-Finished-本科计量\nerlove.dta"
qui reg lntc lnq lnpl lnpk lnpf
predict lev,leverage
sum lev
dis r(max)/r(mean)
gsort - lev //将观测值按变量lev的降序排列
list lev in 1/3
replace lnq=lnq*100 if _n==1
qui reg lntc lnq lnpl lnpk lnpf
predict lev1,leverage
sum lev1
dis r(max)/r(mean)
如果发现存在极端数据,应该如何处理呢??
-
首先,应仔细检查是否因数据输入有误而导致极端观测值。
-
其次,对出现极端观测值的个体进行背景调查,考察是否由与研究课题无关的特殊现象所致,必要时可以删除极端数据。
-
最后,比较稳健的做法是同时汇报“全样本”与删除极端数据后的“子样本”的回归后果,让读者自己做判断。
9.8 虚拟变量
比较好理解的一节。偷懒一下,nonono,这是节约时间!(义正言辞)
9.9 经济结构变动的检验
对于时间序列而言,模型系数的稳定性是很重要的问题。如果存在“结构变动”,但未加考虑,也是一种模型设定误差。
例子
假设要检验中国经济是否存在1978年发生结构变动
分成两个时期。
两个时期对应的回归方程可分别记为:
y
t
=
α
1
+
β
1
x
t
+
ε
t
(
1950
≤
t
<
1978
)
y
t
=
α
2
+
β
2
x
t
+
ε
t
(
1978
≤
t
≤
2010
)
y_t=\alpha_1+\beta_1 x_t+\varepsilon_t\quad(1950\leq t <1978)\\y_t=\alpha_2+\beta_2 x_t+\varepsilon_t\quad(1978\leq t \leq2010)
yt=α1+β1xt+εt(1950≤t<1978)yt=α2+β2xt+εt(1978≤t≤2010)
原假设:经济结构在这两个时期内没有变化。
H
0
:
α
1
=
α
2
,
β
1
=
β
2
H_0:\alpha_1=\alpha_2,\beta_1=\beta_2
H0:α1=α2,β1=β2
共有两个约束。更一般地,如果有K个解释变量(包含常数项),则
H
0
H_0
H0共有K个约束。
无约束的情况:对两个时期分别进行回归。
有约束的情况:即
H
0
H_0
H0成立的情况下,将模型合并。
y
t
=
α
+
β
x
t
+
ε
t
(
1950
≤
t
≤
2010
)
y_t=\alpha+\beta x_t+\varepsilon_t\quad(1950\leq t \leq2010)
yt=α+βxt+εt(1950≤t≤2010)
其中,
α
=
α
1
=
α
2
,
β
=
β
1
=
β
2
\alpha=\alpha_1=\alpha_2,\beta=\beta_1=\beta_2
α=α1=α2,β=β1=β2
传统的“邹检验”
通过三个回归来检验“无结构变动”的原假设
- 回归整个样本, 1950 ≤ t ≤ 2010 1950\leq t \leq2010 1950≤t≤2010,得到残差平方和,记为 S S R ∗ SSR^* SSR∗
- 回归第1部分子样本, 950 ≤ t < 1978 950\leq t <1978 950≤t<1978,得到残差平方和 S S R 1 SSR_1 SSR1
- 回归第2部分子样本, 1978 ≤ t ≤ 2010 1978\leq t \leq2010 1978≤t≤2010,得到残差平方和 S S R 2 SSR_2 SSR2
将整个样本一起回归为“有约束OLS”,其残差平方和为
S
S
R
∗
SSR^*
SSR∗。
而将样本一分为二,分别进行回归则为“无约束OLS”,其残差平方和为
S
S
R
=
S
S
R
1
+
S
S
R
2
SSR=SSR_1+SSR_2
SSR=SSR1+SSR2
因为有约束OLS的拟合度比无约束OLS更差,所以
S
S
R
∗
≥
S
S
R
=
S
S
R
1
+
S
S
R
2
SSR^*\geq SSR=SSR_1+SSR_2
SSR∗≥SSR=SSR1+SSR2
根据第5章似然比检验原理的
F
F
F统计量,检验结构变动的
F
F
F统计量:
F
=
(
S
S
R
∗
−
S
S
R
1
−
S
S
R
2
)
/
K
(
S
S
R
1
+
S
S
R
2
)
/
(
n
−
2
K
)
∼
F
(
K
,
n
−
2
K
)
F=\frac{(SSR^*-SSR_1-SSR_2)/K}{(SSR_1+SSR_2)/(n-2K)}\sim F(K,n-2K)
F=(SSR1+SSR2)/(n−2K)(SSR∗−SSR1−SSR2)/K∼F(K,n−2K)
其中,
n
n
n为样本容量,
K
K
K为有约束回归的参数个数(含常数项)。
引入虚拟变量,并检验所有虚拟变量以及其与解释变量交叉项的系数的联合显著性
比如,对于
K
=
2
K=2
K=2的情形,可进行如下回归:
y
t
=
α
+
β
x
t
+
γ
D
t
+
δ
D
t
x
t
+
ε
t
y_t=\alpha+\beta x_t+\gamma D_t+\delta D_tx_t+\varepsilon_t
yt=α+βxt+γDt+δDtxt+εt
然后检验连个假设
H
0
:
γ
=
δ
=
0
H_0:\gamma=\delta=0
H0:γ=δ=0。此检验所得
F
F
F统计量与传统的邹检验完全相同。因此,虚拟变量法与邹检验是等价的。
与传统的邹检验相比,虚拟变量法的优点包括:
(1)只需生成虚拟变量即可检验,十分方便。
(2)邹检验是在“球形扰动动项”(同方差、无自相关)的假设下得到的,并不适用于异方差或自相关的情形。在异方差或自相关的情况下,仍可使用虚拟变量法,只要在估计方程时,使用异方差自相关稳健的HAC标准误即可。
(3)如果发现存在结构变动,邹检验并不提供究竟是截距项还是斜率变动的信息(至少需要再作一个邹检验),而虚拟变量法则可同时提供这些信息。
consumption.dta
use "D:\a_DUFE\000master_gogogo\stata相关\陈强_计量经济学及Stata应用\Data-Finished-本科计量\consumption.dta"
twoway connect c y year,msymbol(circle) msymbol(triangle)
twoway connect c y year,msymbol(circle) msymbol(triangle) xlabel(1980(10)2010) xlin(1992)
//邹检验
reg c y
scalar ssr=e(rss)
reg c y if year<1992
scalar ssr1=e(rss)
reg c y if year>=1992
scalar ssr2=e(rss)
di((ssr-ssr1-ssr2)/2)/(ssr1+ssr2/32)
//虚拟变量法
gen d=(year>1991)
gen yd =y*d
reg c y d yd
test d yd
qui reg c y
estat imtest,white //怀特检验,是否存在异方差。存在异方差
tsset year //设定变量year为时间变量
estat bgodfrey //BG检验,是否存在自相关。存在自相关
dis 36^(1/4) //计算HAC标准误的截断参数
newey c y d yd,lag(3) //进行Newey-West回归。根据上一行代码的结果,截断参数设为3
test d yd
9.10 缺失数据与插值
又偷懒一下
线性插值的Stata命令为
ipolate y x,gen(newvar)
“ipolate”表示interpolate,即将变量y对变量x进行线性插值,并将插值的结果记为新变量newvar
consumption.dta
use "D:\a_DUFE\000master_gogogo\stata相关\陈强_计量经济学及Stata应用\Data-Finished-本科计量\consumption.dta"
gen y1=y
replace y1=. if year==1980|year==1990|year==2000|year==2010 //人为剔除数据
//做法一:直接用y1对year进行线性插值,结果记为y2
ipolate y1 year,gen(y2)
//做法二:先对y1取对数,进行线性插值,再取反对数,结果记为y3
gen lny1=log(y1)
ipolate lny1 year,gen(lny3)
gen y3=exp(lny3)
//对比两种方法的效果
list year y y2 y3 if year==1980|year==1990|year==2000|year==2010
直接插值的结果y2倾向于高估真实值y,而整体估计效果不如先取对数再插值的结果y3(1980年的结果是个例外)。
9.11 变量单位的选择