文档介绍：该【参数的约束检验 】是由【读书之乐】上传分享，文档一共【27】页，该文档可以免费在线阅读，需要了解更多关于【参数的约束检验 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。参数的约束及设定检验一、模型的线性约束检验二、非线性约束及其估计与检验三、参数的约束检验程序*参数的约束检验*一、模型的线性约束检验㈠约束的含义及其形式在建立回归模型时,有时根据经济理论需要对模型中的参数施加一定的约束条件。例如:需求函数的0阶齐次性条件生产函数的1阶齐次性条件线性约束的形式如下:H0:C·?=r;H1:C·?≠r其中:C=(C0,C1,…Ck);?=(?0,?1,…,?k)T*参数的约束检验*例如原模型为:Y=?0+?1X1+?2X2+…+?kXk+?对该模型施加线性约束如下两个约束:?1+?2=1;?k-1=?k则原模型变为:Y=?0+?1X1+(1-?1)X2+?3X3+…+?k-1Xk+?k-1Xk+?Y-X2=?0+?1(X1-X2)+?3X3+…+?k-1(Xk-1+Xk)+uY*=?0+?1X1*+?3X3+…+?k-1Xk-1*+u由此可见两个约束使参数减少了两个。*参数的约束检验*对于约束的有效性,需进一步进行相应的检验。为此,在同一样本下,记无约束样本回归模型为:Y=XB+E这是对模型的参数未加任何约束的回归,所以常称为无约束回归(unrestrictedregression)。且e’e为无约束样本回归模型的残差平方和,表记为RSSU。受约束样本回归模型记为:Y=XB*+R对该施加约束后的模型进行回归,称为受约束回归(restrictedregression)。其残差平方和r’r记为RSSR。㈡对约束的F检验*参数的约束检验*于是约束方程的残差及残差平方和分别为:r=Y-XB*=XB+E-XB*=E-X(B*-B)r‘r=e’e+(B*-B)’X’X(B*-B)可见:e’e≤r’r,即RSSR≥RSSU。由于受约束与无约束模型都有相同的TSS,这意味着,通常情况下,对模型施加约束条件会降低模型的解释能力。但是,如果约束条件为真,则受约束回归模型与无约束回归模型具有相同的解释能力,RSSR与RSSU的差异将很小。*参数的约束检验*可用RSSR-RSSU的大小来检验约束的真实性。根据数理统计学的知识:RSSU/?2~?2(n-kU-1)和RSSR/?2~?2(n-kR-1)及(RSSR-RSSU)/?2~?2(kU-kR)于是有F统计量:将约束看作是原假设,则如果约束条件无效,RSSR与RSSU的差异较大,计算的F值也较大。即在F>Fα时,就要否定原约束。注意kU-kR恰为约束条件的个数。*参数的约束检验*注:对线性回归方程总体显著性的F检验,就是在H0:?j=0(j=1,2,…,k)约束下进行的。这里受约束回归模型为:Y=?0+r;无约束的方程是Y=XB+E。则对约束进行检验的F统计量为:这里,运用了ESSR=0。*参数的约束检验*考虑如下两个回归模型:Y=?0+?1X1+?2X2+…+?kXk+?(1式)Y=?0+?1X1+?2X2+…+?kXk+…+?k+qXk+q+?(2式)(1)式可看成是(2)式的受约束回归:H0:?k+1=?k+2=…=?k+q=0则相应的F统计量为:㈢对回归模型增减解释变量的检验用回归平方和计算有*参数的约束检验*如果约束条件为真,即额外的变量Xk+1,…,Xk+q对Y没有解释能力,则F统计量较小;否则,约束条件为假,意味着额外的变量对Y有较强的解释能力,则F统计量较大。因此,可通过F的计算值与临界值的比较,来判断额外变量是否应包括在模型中。F统计量还可以用可决系数表述为:*参数的约束检验*二、非线性约束对模型的参数施加非线性约束(如β1β2=1等)时,使模型变成非线性模型。这时普通最小二乘法已不在适用,必须采用非线性最小二乘法(nonlinearleastsquares)进行估计。而人们常在大样本情况下采用的相对简单的做法是极大似然估计,并在估计时常采用如下三个以卡方分布为基础的检验:㈠最大似然比检验(LR)㈡沃尔德检验(WD)㈢拉格朗日乘数检验(LM)*参数的约束检验*