知识回顾(Knowledge review)
第二章 模型的估计与结果:https://blog.csdn.net/ChenQihome9/article/details/82818974
第一节 检验的步骤和过程估计的模型要符合计量经济学的前提假设,如果违反了经典假设,那么会导致参数估计值不具有最小方差,即丧失有效性;如果违反正态性的假设,就会导致t统计量不服从于t分布,则t检验失效。为了解决这些问题,我们就得对模型的回归结果进行检验分析。对模型的检验包括正态性检验、多重共性检验、自相关检验和异方差检验。在Equation方程窗口中(Equation为之前保存的回归结果方程式),点击View,再点击Residual Diagnostics。相关的操作和表中的英文术语解释如下:
表1-1 相关检验的名称含义Correlogram-Q-Statistics
各期残差的相关性分析
Correlogram Squared Residuals
各期残差平方的相关性分析
Histogram-Normality
残差的正态性检验
Serial Correlation LM Test...
序列自相关的LM检验
Heteroskedasticity Tests...
异方差检验
一、正态性检验1. 首先做正态性检验:点击View,再点击Residual Diagnostics。选择Histogram-Normality。
2. 分析结论:如图0302,看图的右侧的指标,将Jarque-Bera项的相伴概率Probability和显著性水平0.05进行比较,如果大于0.05则表明随机扰动项服从正态分布的原假设成立,否则表明正态分布的假设不成立。而图中的结果是0.001307,小于0.05,结论是随机扰动项不服从正态分布。
图0302 二、自相关性检验1. 其次做自相关性检验:点击View,再点击Residual Diagnostics。选择Serial Correlation LM Test...,随后出现自相关的滞后期窗口,里面需要输入的数字是你需要做几阶的自相关检验。
2. 分析结论:紧接着查看Obs*R-squared后面的对应的相伴概率即Prob. Chi-Square(2)的值,此时做的是二阶自相关的检验,现在的结果是0.0000,小于0.05,因此存在二阶自相关。同理操作后也知道存在一阶自相关。
图0303三、异方差检验
1. 接着做异方差检验:点击View,再点击Residual Diagnostics。选择Heteroskedasticity Tests...
表1-2 异方差检验方法的选择Breusch-Pagan-Godfrey
lybh-cxddc检验,BPG检验
Harvey
哈维检验
Glejser
愤怒的信封检验
ARCH
自回归条件异方差检验
White
怀特检验
Custom Test Wizard
定制导向检验
2. 选择White检验,在include White cross terms前面勾选后,表示进行包含交叉项的White异方差检验。不勾选的表示不带交叉项的White 异方差检验。分析结论:将Obs*R-squared项后面的相伴概率与显著性水平0.05进行比较分析;如果大于0.05,则表明接受正态分布的假设,反之则存在异方差。如图0304,现在得到的三项的检验结果都是0.0000,均小于0.05,表明存在异方差。
图0304知识拓展(Knowledge development)
第三章 模型的检验(二):https://blog.csdn.net/ChenQihome9/article/details/82919754