协整平滑转移回归中的线性检验 ——基于完全修正最小二乘法的扩展

 在解释变量内生条件下,Choi,Saikkonen(2004)使用动态最小二乘法估计协整平滑转移回归模型,并基于动态最小二乘的估计结果构造 统计量检验协整向量的非线性。本文系统解析了 的构造并指出其不足,针对这一不足,本文将动态最小二乘法扩展为完全修正的最小二乘法,并进而基于完全修正的最小二乘法估计结果构造 统计量检验协整向量的非线性。本文的仿真试验表明,在有限样本下, 与 的检验势没有显著差异,但 的水平扭曲小于 。     

基于一元线性回归模型异方差对加权最小二乘法的考察

作为普通最小二乘法的改进,加权最小二乘法用于存在异方差问题的线性回归模型的参数估计。文章通过对加权最小二乘估计量、加权最小二乘变换的分析,并结合实际例证研究发现,加权最小二乘法在应用中存在一些不足之处,因而当发现模型存在异方差时使用加权最小二乘法是存在风险的。     

基于t检验的逐步回归的改进

传统的逐步回归是依据偏回归平方和所构造的F统计量进行F检验来完成的,F检验的目的是判断变量是否应该引入或剔除。文章通过论证发现,在普通最小二乘估计下,逐步回归中的F检验和对应解释变量的显著性t检验是等价的,利用t检验同样可以完成逐步回归,t检验下的逐步回归结果和F检验下的逐步回归结果一致。     

加权最小二乘法残差图问题探讨——与何晓群教授商榷

一、问题的提出残差图在回归分析中有着重要作用,其用途可以归纳为两个方面:一是检验线性回归模型中与随机误差项有关的假定(同方差与不自相关)是否成立;二是当这些基本假定违背时,验证对模型参数估计的修正方法是否有效。如果残差图不能发挥其中的任一作用,那就没有任何意义。何晓群在讲授用加权最小二乘法消除异方差问题时给出了一张加权最小二乘估计的残差图(见《应用回归分析》第102页。何晓群,刘文卿编著.2001年6月由中国人民大学出版社出版),在我看来,这张图既不能用来检验原始数据是否存在异方差问题,又不能验证加权最小二乘法在消除…     

浅谈加权最小二乘法及其残差图——兼答孙小素副教授

一、引言最近,看到《统计研究》2005年第11期上刊登的孙小素的文章《加权最小二乘法残差图问题探讨———与何晓群教授商榷》一文,以下简称《孙文》感触良多。首先衷心感谢孙小素副教授阅读了我们的《应用回归分析》作节,同时感谢《统计研究》给我们提供这样一个好的机会,使我们能够借助贵刊对加权最小二乘法的有关问题谈谈更多的认识。《孙文》谈到《应用回归分析》教材中有关加权最小二乘法残差图的问题。摆出了与加权最小二乘法相关的三类残差图,指出第三类残差图的局限性。直接的问题是三类残差图的作用,而更深层的原因应该是对加权最小…     

解决多重共线性问题的线性回归方法

本文针对当出现多重共线性时用普通最小二乘法估计的参数值与实际值相去甚远 ,甚至无法被估计的现象 ,介绍了三种解决办法 :主成分回归、岭回归和偏最小二乘法。这三种方法在解决问题的思路上各有异同 ,本文着重介绍了它们的基本思想和主要处理步骤     

解决多重共线性问题的线性回归方法

本文针对当出现多重共线性时用普通最小二乘法估计的参数值与实际值相去甚远甚至无法被估计的现象 ,介绍了三种解决办法 :主成份回归、岭回归和偏最小二乘法。这三种方法在解决问题的思路上各有异同 ,本文着重介绍了它们的基本思想和主要算法步骤     

对误差序列相关模型参数估计方法的探讨

一、引言经典线性回归分析的一个基本假定是模型的随机误差项之间互不相关,然而,对经济数据进行计量分析时,经常发生的问题是模型中误差项之间存在着序列相关。在误差项序列相关模型中最简单的一种是以下的自相关表示形式:Yt=α βXt μt(t=1,2,…,n)ut=ρut-1 εt|ρ|<1(1)其中εt满足经典假设条件E(εt)=0E(ε2t)=σ2εE(εtεs)=0(t≠s;t,s=1,2,…,n)(2)如果对式(1)直接使用最小二乘法(OLS法)进行参数估计,虽然OLS估计具有无偏性和一致性,但不具有有效性,不再是系数的最优估计。对此,通常采用的解决办法有两种①:第一种是广义最小二…     

对判断矩阵对数最小二乘法的新思考

对数最小二乘法(LLSM)是层次分析法中的一种排序方法.文章从判断矩阵秩的角度来推导对数最小二乘法的排序向量.     

异方差性F的参数估计

在经典经济计量理论中,异方差现象的存在破坏了普通最小二乘法(OLS)参数估计中关于随机序列独立同分布的基本假定,从而使得用OLS法估计得到的模型Y=Xβ失去优良性,如(?)不再是参数β的最小方差线性无偏估计(BLUE),继而参数的显著性检验失去意义,预测误差加大等等,致使模型失效。在实际建模中,一般是这样处理这一问题的:(1)用图示法或等级相关系数、Goldfeld-Quandt、Bartlett等方法检查异方差现象是否存在于待建模型中。(2)对探明有异方差现象的模型,通过加权最小二乘法(WLS)、Glejser法和正确引入解释变量等方法将异方差模型转化为同方差模型后再进行参数估计。经典计量经济理论认为扰动项方差σ_t~2是解释变量X_t的函数,即σ_t~2=f(X_t)σ~2,之所以出现异方差现象,是因为对于不同的X_t∈R~p,f(X_t)发生了变化。如果已知函数f的具体形式,     

折扣最小一乘法在建立回归预测模型中的应用

一、最小一乘法与折扣最小一乘法众所周知 ,误差平方和最小 (通常称为最小二乘法 )是最常用的最优拟合准则之一 ,它的理论相当完善 ,十分广泛地应用于建立各种预测模型 ,通常可获得满意的效果。但它也存在一些局限性 ,如果当数据中夹杂有异常数据时 ,由此得到的预测模型“失真”较大。鉴于最小二乘法的这些不足 ,人们引入了“稳健性”概念加以刻划 ,而“误差绝对值和最小”准则 (或称为最小一乘法 )能克服上述缺点 ,其稳健性比最小二乘法要强得多 ,具有不可替代的优越性。如在时间序列预测中 ,预测变量 ｙ的变化主要依赖时间变量ｔ ,对于给…     

具有线性趋势的残差自回归模型的估计方法

为了探寻具有线性趋势的残差自回归模型的较为合适的估计方法,文章以残差AR(2)模型为例,对直接最小二乘法、两步法、非线性最小二乘法和化归法进行了Monte Carlo模拟,拟合和预测结果显示非线性最小二乘法和化归法的均方误差和平均绝对误差相同且最小.此外,还利用1980-2013年河南省人均GDP经济数据进行了拟合与预测实证分析,得到了与模拟比较相类似的结果,这说明非线性最小二乘法和化归法是较优的估计方法.进一步地,基于非线性最小二乘法,给出了河南省人均GDP的短期预测.     

空间回归模型估计中的最小二乘法

空间回归模型由于引入了空间地理信息而使得其参数估计变得复杂,因为主要采用最大似然法,致使一般人认为在空间回归模型参数估计中不存在最小二乘法。通过分析空间回归模型的参数估计技术,研究发现,最小二乘法和最大似然法分别用于估计空间回归模型的不同的参数,只有将两者结合起来才能快速有效地完成全部的参数估计。数理论证结果表明,空间回归模型参数最小二乘估计量是最佳线性无偏估计量。空间回归模型的回归参数可以在估计量为正态性的条件下而实施显著性检验,而空间效应参数则不可以用此方法进行检验。     

普通最小二乘法的几何分析

普通最小二乘估计法是在目标函数残差平方和的达到最小的条件下求得参数估计量,从向量的角度来说,普通最小二乘法将被解释变量分解成了相互正交的两部分,通过空间向量理论和几何分析方法,可以在欧氏空间内对普通最小二乘估计量进行求解,这种分析过程使普通最小二乘法变得更直观。     

非线性回归模型参数估计方法研究——以C-D生产函数为例

通过理论分析和蒙特卡罗模拟,对C-D生产函数模型参数的估计方法进行比较研究的结果表明：当误差项满足经典假设时,非线性最小二乘估计量具有与线性最小二乘估计类似的、近似BLUE的特性,且当误差项存在异方差时,用加权非线性最小二乘法也能大大改善估计量的性质。     

异方差模型参数估计的有效性研究

本文运用随机模拟方法,对误差序列异方差模型中加权最小二乘（GLS）估计的有效性进行研究。研究表明,GLS估计的有效性与异方差强度有关,当异方差强度较强时,GLS估计比普通最小二乘（OLS）估计有效;当异方差强度较弱时,GLS估计不如OLS估计有效。     

平稳的平滑转移自回归过程之间的虚假回归问题研究

文章研究平稳的平滑转移自回归过程之间的虚假回归问题.通过推导最小二乘回归估计量及其对应的t统计量的极限分布,发现:标准的t检验流程中的t统计量并不趋于标准正态分布,其极限分布依赖于模型参数,从而导致了虚假回归的可能.采用蒙特卡洛模拟研究了有限样本下数据生成过程的各项参数对虚假回归的影响,研究表明:虚假回归现象也可能普遍存在于平稳变量之间,为此,在做统计推断时,考虑平稳变量的具体特征是必要的.     

加权最小二乘估计中的拟合优度

在实证经济计量分析中,常常会遇到异方差的问题(即随机扰动项的方差随解释变量的变化而变化。特别是对于横截面数据,当xi的数据变大,ui的方差也可能会变大,这就是所谓的递增异方差)。当计量模型中的随机扰动项ui存在异方差时,用OLS估计模型的参数将不再有效。而此时常用的方法之一是加权最小二乘法WLS。加权最小二乘法的基本思想是,既然最小二乘是使∑ei2达到最小,而此时的ei2具有相同的权数(权数为1,即在最优化过程中各个ei2所提供的信息的重要程度是同等看待的,当然这也符合同方差的含义)。但当ui具有异方差时(比如递增异方差),若Varui…     

线性回归分析中对截距项的检验

一、问题的提出 一元和多元线性回归是应用非常广泛的统计分析方法,在科学研究和生产与生活中发挥着独特的、重要的作用.大家知道,线性回归分析的一般程序包括收集资料(时间序列数据或截面调查数据)、用最小二乘(OLS)法估计参数、计算判定系数R2、作相关检验、回归参数的显著性检验(t检验)、回归方程的总体显著性检验(F检验)等过程,如果要求较高,还需要检验和修正可能存在的异方差、自相关、多重共线性等问题.     

动态广义最小二乘法在面板协整中的应用研究

在进行非平稳面板数据的协整分析时,使用动态最小二乘法（DOLS）可以有效消除内生性问题,从而得到具有渐进正态分布的统计量。但在小样本条件下,由于可使用解释变量差分项的阶数有限,导致模型中均衡误差项的序列相关,使得DOLS统计量出现严重的检验水平畸变。为此,本文将单一时间序列的动态广义最小二乘法（DGLS）应用于非平稳的同质面板数据模型。在序贯极限分布的条件下,DGLS统计量仍具有正态的条件极限分布。而仿真实验表明,对于非平稳的同质面板数据模型,即使在均衡误差项存在高序列相关的条件下,DGLS统计量仍具有较好的小样本性质。