RESET检验法的步骤 拉姆齐 RESET检验的具体步骤是: 1)用OLS法估计要检验的方程,得到 Y=Bo+BX+B2x2 (2)由上一步得到的值(1=1,2..,n),计算产2,y3和产4,然 后用OLS法估计 Y=Bo+BX+B,X2+B3Y+BY+B5r+u (3)用F检验比较两个方程的拟合情况(类似于上一章中联合 假设检验采用的方法),如果两方程总体拟合情况显著不同, 则我们得出原方程可能存在误设定的结论。使用的检验统计 量为 16
16 RESET检验法的步骤 拉姆齐RESET检验的具体步骤是： (1) 用OLS法估计要检验的方程，得到 (2) 由上一步得到的值 （i=1,2,…,n），计算 ，然 后用OLS法估计： (3) 用F检验比较两个方程的拟合情况（类似于上一章中联合 假设检验采用的方法），如果两方程总体拟合情况显著不同， 则我们得出原方程可能存在误设定的结论。使用的检验统计 量为： Yi 0 1 X1i 2 X2i ˆ ˆ ˆ ˆ = + + 2 3 4 ˆ ˆ , Y ˆ Y 和Y Yi ˆ Yi = + X i + X i + Yi + Yi + Yi +ui 4 5 3 4 2 0 1 1 2 2 3 ˆ ˆ ˆ
F (RSSM-RSS)/M RSS/(n-k-1) 其中:RSSM为第一步中回归(有约束回归)的残差平方和, RSS为第二步中回归(无约束回归)的残差平方和, M为约束条件的个数,这里是M=3 应该指出的是,拉姆齐 RESET检验仅能检验误设定的存 在,而不能告诉我们到底是哪一类的误设定,或者说,不 能告诉我们正确的模型是什么。但该方法毕竟能给出模型 误设定的信号,以便我们去进一步查找问题。另一方面, 如果模型设定正确, RESET检验使我们能够排除误设定的 存在,转而去查找其它方面的问题
17 /( 1) ( )/ − − − = RSS n k RSS RSS M F M 其中：RSSM为第一步中回归（有约束回归）的残差平方和， RSS为第二步中回归（无约束回归）的残差平方和， M为约束条件的个数，这里是M=3。 应该指出的是，拉姆齐RESET检验仅能检验误设定的存 在，而不能告诉我们到底是哪一类的误设定，或者说，不 能告诉我们正确的模型是什么。但该方法毕竟能给出模型 误设定的信号，以便我们去进一步查找问题。另一方面， 如果模型设定正确，RESET检验使我们能够排除误设定的 存在，转而去查找其它方面的问题
第二节多重共线性 应用OLS法的一个假设条件是;矩阵Ⅹ的秩=K+1<N。 即自变量之间不存在严格的线性关系,观测值个数大于待估 计的参数的个数。这两条无论哪一条不满足,则OLS估计值 的计算无法进行,估计过程由于数学原因而中断,就象分母 为0一样。 这两种情况都很罕见。然而,自变量之间存在近似的线性 关系则是很可能的事。事实上,在经济变量之间,这种近似 的线性关系是很常见的。 当某些解释变量高度相关时,尽管估计过程不会中断,但 会产生严重的估计问题,我们称这种现象为多重共线性。解 释变量间存在严格线性相关关系时,称为完全的多重共线性
18 第二节 多重共线性 应用OLS法的一个假设条件是；矩阵X的秩=K+1<N。 即自变量之间不存在严格的线性关系，观测值个数大于待估 计的参数的个数。这两条无论哪一条不满足，则OLS估计值 的计算无法进行，估计过程由于数学原因而中断，就象分母 为0一样。 这两种情况都很罕见。然而，自变量之间存在近似的线性 关系则是很可能的事。事实上，在经济变量之间，这种近似 的线性关系是很常见的。 当某些解释变量高度相关时，尽管估计过程不会中断，但 会产生严重的估计问题，我们称这种现象为多重共线性。解 释变量间存在严格线性相关关系时，称为完全的多重共线性
定义 在实践中,若两个或多个解释变量高度线性相关, 我们就说模型中存在多重共线性。 二后果 1.不改变参数估计量的无偏性;事实上,对于不完 全多重共线性,参数估计量仍为BLUE。这是因为, 尽管解释变量之间存在多重共线性,但并不影响扰动 项和解释变量观测值的性质,故仍有 (B)=EX)] =EXX)X(XB+u =B+(X XE(u
19 一 定义 在实践中，若两个或多个解释变量高度线性相关， 我们就说模型中存在多重共线性。 二 后果 1. 不改变参数估计量的无偏性；事实上，对于不完 全多重共线性，参数估计量仍为BLUE。 这是因为， 尽管解释变量之间存在多重共线性，但并不影响扰动 项和解释变量观测值的性质，故仍有 β β ( ) (u) ( ) ( β u) ) ( ) ˆ ( 1 1 1 = = + = + = − − − X X X E E X X X X E E X X X Y
2.但各共线变量的参数的OLS估计值方差很大,即 估计值精度很低。(BLUE表明在各线性无偏估计量 中方差最小,但不等于方差的值很小。) 3由于若干个X变量共变,它们各自对因变量的影 响无法确定。 4.各共线变量系数估计量的t值低,使得犯第Ⅱ类 错误的可能性增加。 由于各共线变量的参数的OLS估计值方差大,因 而系数估计量的t值低,使得我们犯第Ⅱ类错误(接 受错误的原假设Hβ=0)的可能性增加,容易将本 应保留在模型中的解释变量舍弃了
20 2. 但各共线变量的参数的OLS估计值方差很大，即 估计值精度很低。（BLUE表明在各线性无偏估计量 中方差最小，但不等于方差的值很小。） 3 由于若干个X变量共变，它们各自对因变量的影 响无法 确定。 4. 各共线变量系数估计量的t值低，使得犯第Ⅱ类 错误的可能性增加。 由于各共线变量的参数的OLS估计值方差大，因 而系数估计量的t值低，使得我们犯第Ⅱ类错误（接 受错误的原假设H0 : βj=0）的可能性增加，容易将本 应保留在模型中的解释变量舍弃了