经济学家发展和评价了关于经济行为的理论。假设检验程序被用来检验他们的理论。在第7章,我们发展和应用了单个假说t假设检验。,我们在这一章遇到的一个重要的新发展是使用F分布同时检验一个由两个或更多的关于多元回归模型中的参数的零假设。
8.6 模型假定
在所有到目前为止已经涉及到的内容中,我们通常把模型当作已给出。现在已经是下列几种问题:给定一个特殊的回归模型,估计其参数的最好方法是什么?给定一个特定的模型,我们如何检验关于模型参数的假设?我们如何构建一个模型参数的区间估计? 在给定的模型中，估计量的性质是什么?考虑到所有这些问题需要模型的知识,自然会问该模型从何而来。在任何计量调查中,模型的选择是第一步骤之一。因此,在这部分里,我们集中考虑以下几个问题: 当选择模型时什么是重要的考量? 选择错误的模型会有什么后果? datawarehou有没有评估的一个模型是否可行的方法?
模型选择的三个必要的特征是：(1)模型函数形式的选择,(2)包括在该模型中的解释变量(解释量) 的选择;(3)多元回归模型的假设是否支持MR1-MR6 ，在150页。在后面的章节中,关于异方差存在性，自相关性，随机的解释变量解决了这些假设的错误。对于函数式和解释变量
的选择,经济原则和逻辑推理发挥了十分显著和重要的作用。我们要问:什么变量会可能影响因变量y ? 这些变量改变时y怎样变动?以一种恒定的速率变动吗?以一个持续降低的速率变动吗? 在整个数据的变动中，认为常数弹性合理吗？这些问题的答案在解释变量的选择以及选择合适的函数形式上有一些关系。在章节6.3的一些细节中替代功能的函数形式被采用; 在第10章进一步的问题被重视。在接下来的部分里,我们考虑到选择一系列错误的解释变量的后果和关于解释变量的选择的一些问题。在这一节,错误假定的试验被证明。
8.6.1 遗漏和不相关变量
即使有健全的经济原则和逻辑,一个被选择的模型可能有遗漏或不相关的变量包括在内的重要变量，这是有可能的。为介绍遗漏变量问题,假设在某个特定的行业, 雇员的工资率为,取决于他们的经验和他们的动机,以至我们可以写成
(8.6.1)
然而,有关动机的数据都是无效的。所以,相反,我们估计模型
(8.6.2)
通过估计(8.6.2) ,当它不真时我们将限制条件限制为。强加一个错误的限制的含义已在8.5部分讨论过。对和的最小二乘估计通常是有偏见的,虽然它有较低的方差。当它不是有偏的时候就是当遗漏变量()与被包括变量之间()不相关时。然而不相关的解释变量是很少见的。遗漏变量有偏的一种证明在本部分后面会给出。
遗漏变量有偏的可能性意味着要试图包括所有重要相关变量。这也意味着,如果一个被估计方程含有具有没预期到的意义的系数,或不切实际的数量，这些奇怪的结果的一个可能的原因是遗漏重要变量。
评价一个变量或一组变量是否应该包含在一个方程里的一种方法是完成“有意义的检验’’。这就是用t检验检验如:这样的假设，或F检验检验比如:的假设。可是，重要的是要记住,有两种不丢弃零原假设的测试结果的可能的原因。
1. 相应的变量没有影响y,并且可以排除出模型。
2. 相应的变量是该模型的重要的必须出现的变量，但数据
没有足够好以致拒绝。也就是说,数据并不足够充分证实变量都是十分重要的。(缺少数据的可能原因将在8.7讨论。)
因为一个系数的“无意义”可能是由(1)或(2)引起的和我交往好吗谐音歌词,你必须谨慎地考虑下面的规则,去掉具有毫无意义系数的变量。你可以排除无关的变量,但你也可以在余下的系数估计里包括有偏遗漏变量。
省略相关变量的后果可能导致你认为一个好的办法就是在你的模型里尽可能包括许多变量。然而,这样做不仅会使模型复杂化, 因为不相关变量的存在它可能扩大你的估计方差。看清楚何谓不相关的变量,假设正确的格式
(8.6.3)英语b级考试技巧
但是我们估计模型为
其中是第t个员工的孩子总数,并且实际上。是一个不相关的变量。包括它不会使最小二乘估计有偏,但它意味着, 和将会比通过估计正确的模型 (8.6.3)获得的数好。这个结果合理，因为根据高斯-马克连夫定理, (8.6.3)的最小二乘法估计量是, , 和的最小方差线性无偏估计量。如果和、不相关方差的扩大不会出现。但是注意,即使孩子人数是不太可能影响工资率,但它可以与经验相关联。
遗漏变量和不相关的变量估计后果是在评价实证结果时要记住的一些东西。他们也要重新指向我们原来的建议:经济原则和逻辑推理是变量选择的重要考虑因素。
8.6.1 遗漏变量偏差：一个证明
假设我们无意中遗漏一个回归模型的变量。那就是,假定真实模型是,但我们估计模型,从模型中遗漏了。然后我们用此估计量
其中
所以,
进一步观察,我们发现
因此,
明白的标志和和的协方差的符号告诉我们有偏的方向。同样的,尽管遗漏回归的一个变量通常使最小二乘估计量有偏,如果和遗漏变量之间的样本协方差,或样本之间的相关性是零,则在错误假定模型中的最小二乘估计量仍然是无偏的。
8.6.2 错误假定模型的检验：RESET检验
计量模型的误设检验是一个问的方式:我们的模型足够吗,还是我们可以提高它吗? 如果我们漏掉重要变量，包括无关的变量,选择错误的函数形式,或有一个违反多元回归模型假设的
模型，它可能是误设的。RESET检验(回归设定错误检验)是用来检测遗漏变量和不正确的函数形式。该推理如下。
假设我们已经指定和估计出回归模型
(8.6.4)
电脑维修工具
让()i want you是什么意思作为最小二乘估计值并且让
(8.6.5)
作为的被预测值。考虑以下两个人工模型
(8.6.6)
(8.6.7)
在(8.6.6)中，模型误设的检验是对应备择假设的一个检验。在(8.6.7)中, 检验对应或者是模型误设的一种检验。在头一种情况下一个t或一个F检验可以被使用。第二个方程需要F检验。拒绝表示原模型是不充分的,是可以改进的。拒绝的失败2786表示此检验已经不能够检测到任何模型误设。
此检验背后的思想是一种通用的一个测试。注意,和将是和九年级英语单词录音的多项式函数。因此,如果原模型不是正确的函数形式,包括和在内的多项式逼近可以大大改善模型的适度，并且这个事实将可以通过和的非零值被检测到。此外,如果我们遗漏变量,这些变量和与相关,则它们的一些影响也许会通过和被检测到。总的来说,研究生补习班检验的一般道理是:如果我们能由人为地包括模型预测的能力明显改善模型,则原模型一定是不充分的。
作为检验的一个例子,考虑在8.5节啤酒需求的例子来说明非样本信息的加入。我们早前指定的log-log模型
(8.6.8)
估计该模型,然后用预测量的平方和立方，RESET检验结果扩大它,列在表8.4的上半部分里。
F值是非常小的，和相应的0.93和0.70得p值都远高于传统意义的显著性水平0.05night prayer。没有RESET检验的证据显示log-log模型是不充分的。
现在,假设我们已经指定了一个线性模型来代替log-log模型。也就是说,我们估计模型
(8.6.9)
用平方项扩展该模型,然后预测量的平方和立方服从表8.4的下半部分的RESET检验结果。0.0066和0.0186的p值都低于0.05表明线性模型是不适当的。
你应该用你的电脑软件复制表8.4里的实验结果。当这样做时,注意我们没有包括关于在8.5节里用到的系数的非样本限制。较容易的比较两个函数形式被遗漏了。你也应该知道,作为一个在可供选择的函数形式之间的有偏见的设计，RESET检验不总是产生这样明确的结果。例如,对于一个线性模型和log-log模型不被拒绝是可能的。
8.7 共线性经济变量
大多数用于估计经济关系的经济数据是非实验性的。的确,在大多数情况下,他们被简单的“
收集”为行政或其他用途。因此,数据不是一个有计划的实验设计被指定为了解释变量的实验的结果。在严密控制的实验里,在第一章中讨论的那样，统计模型里等式右边部分的变量可以被指定值，以这样一种方式使得它们的各自影响可以精确识别和估计。当数据是一个不可控的实验的结果时,很多经济变量可以以系统的方式一起移动。这些变量被称为是共线性的,问题被标志为共线性问题，或者当涉及几个变量时称为多元共线性。在这种情况下没有保证数据含有“丰富的信息”，也不认为它将可能隔离经济关系或利率参数。about time
作为一个例子,考虑海湾地区快餐市场营销经理面对问题，他们试图估计总财政收入的增长归因于出现在报纸上的广告和优惠券广告。假设它用普通行为去协调这两个广告设计,以便在同一时间出现在报纸上刊登广告,有传单分发式含有优惠券降低汉堡包价格。如果测量关于这两种形式广告的支出的变量出现在像(7.1.2)总收入方程的右边,则这些变量的数据将显示一个系统的、积极的关系;直观上看,这种数据揭示这两种类型的广告的独自影响很困难。因为这两种类型的广告费用一起变动,很难分类出它们对总收入的独立影响。
