计量教案(7随机解释变量)

《计量教案(7随机解释变量)》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第七章随机解释变量按照经典的回归分析理论，回归模型中的解释变量是非随机的，其取值都是事先精确给定的，并且还假定解释变量与随机误差项不相关。然而，在实际问题中，这种假定往往是难于满足的，经常存在着违背这种假设的情况。本章将要讨论的就是线性回归模型中的解释变量是随机的，而非确定性变量的问题。本章的目的与要求通过本章学习，要求重点掌握的内容是：1．了解随机变量产生的原因，充分理解当线性回归模型的解释变量为随机的情形下可能产生的后果；2．熟练掌握检测随机解释变量的各种方法以及在此情形下相应的处理与估计改进方法。从而能够运用这些知识处理经济计

2、量分析实践中的相应问题。本章内容（计划学时）一、随机解释变量产生的原因及后果（一）随机解释变量产生的原因（二）随机解释变量问题的后果二、误差变量模型（一）误差变量模型的含义（二）误差变量模型的性质三、工具变量法（一）工具变量的概念（二）工具变量的原理（三）测量误差的检验（四）工具变量的选择学习重点一、随机解释变量的后果二、误差变量模型的概念与性质三、工具变量法的原理四、测量误差的检验学习难点一、随机解释变量的后果二、误差变量模型的性质三、工具变量法的原理四、测量误差的检验第一节随机解释变量的原因及其后果一、随机解释变量产生的原因1、

3、由于存在观测误差，使得解释变量具有一定的随机性。2、被解释变量的滞后性；3、经济变量的取值（观测值）往往难以人为控制，其取值往往难以十分精确；二、随机解释变量问题的后果对于解释变量是随机变量的线性回归模型，其参数的估计倘若仍使用普通最小二乘法，估计得到的既不是β的无偏估计，也不是β的一致估计。线性回归模型：Yi=βXi+ui,（式7－1.1）式中仍假设随机误差项ui具有零均值和常数方差，即假定E（ui）=0、Var(ui)=σ2，且Xi是随机变量。对此使用普通最小二乘法，可得回归系数β的估计量为：如果随机解释变量Xi与随机误差项ui

4、是相互独立的，那么就有（式7－1.2）从而=β（式7－1.3）这时，回归系数的普通最小二乘估计仍然是无偏估计。若随机解释变量Xi与随机误差项ui不独立，但却不相关，有Cov(Xi,ui)=0，由于是Xi与ui协方差的一致估计量，即当样本容量n→∞时，估计量接近于Cov(Xi,ui)=0的概率为1，称的概率极限为Cov(Xi,ui)=0，记为plim=Cov(Xi,ui)=0所以，的概率极限为plim=β+=β表明在Xi与ui不相关时，普通最小二乘估计量仍是β的一致估计。如果随机解释变量Xi与随机误差项ui具有相关性，则Cov(Xi,

5、ui)≠0，那么E（）≠0，以及的概率极限不为0，即plim（）≠0，所以≠βplim=β+≠β这表明当随机解释变量Xi与随机误差项ui具有相关关系时，普通最小二乘估计量既不是β的无偏估计，也不是β的一致估计。第二节误差变量模型一、误差变量模型的概念解释变量含有观测误差的模型称为误差变量模型。二、误差变量模型的性质模型参数的估计量将是有偏的和不一致的。在样本模型y=β0+β1x+e中，解释变量x与被解释变量y的观测值假设无法准确得到，总是存在观测误差，有x*=x+vy*=y+w其中v与w都是观测误差，并设二者均同样满足零均值、同方差

6、、且二者都不与x和y相关的假定，即有：E(v)=0E(w)=0Var(v)=σv2Var(w)=σw2Cov(v，x)=0Cov(w，x)=0Cov(v，y)=0Cov(w，y)=0将实际观测变量x*=x+v与y*=y+w代入y=+x+e（式7－2.1）得：y*－w=+(x*－v)+ey*=+x*+e+w–v记e*=e+w–v,上式可写成y*=+x*+e*（式7－2.2）在此一元线性回归模型中,随机误差项e*（在e*中仅有v与x*有关)与解释变量x*之间的协方差为：Cov(e*,x*)=Cov(–v,x+v)=–σv2由于随机误差项

7、e*与解释变量x*之间的协方差不等于0，说明了随机误差项e与解释变量x之间存在着相关性，所以，如果仍然使用普通最小二乘法对模型（式7－2.2）进行估计，则模型参数的估计量将是有偏的和不一致的。第三节工具变量法一、工具变量法的概念找一个与模型中的随机解释变量高度相关，但却与随机误差项不相关的变量，并用此变量和模型中的变量构造出一个与原模型相应回归系数的一个一致估计量。这个变量就是工具变量，用Z表示，这种方法就是工具变量法。即Cov(Z,x)≠0（甚至越大越好）Cov(Z,e)=0二、工具变量法的原理1、不含截距项β0的一元线性回归模型

8、Y=β1X+u（式7－3.1）其β1的普通最小二乘估计是由下式得到的∑X（Y－X）=0（式7－3.2）且（式7－3.3）这里主要是假设了X与u不相关的结果。如果X与u相关，就无法再使用这个公式进行估计了。但是，倘若我们找到一个与模型中