模型诊断与检验

方程对象菜单的View中给出三种检验类型选择来检验方程定义。包括系数检验、残差检验和稳定性检验：

模型诊断与检验模型诊断与检验1.模型系数检验

2.模型残差检验

3.模型稳定性检验1.

模型系数检验

系数检验包括对估计系数的约束进行评价、对遗漏变量和冗余变量的检验。

1.模型系数检验

Wald检验--系数约束条件（CoefficientRestriction）检验遗漏变量(OmittedVariables)检验冗余(RedundantVariables)变量检验Wald检验——系数约束条件检验

（1）检验原理

如果约束条件为真，无约束估计量应接近于满足约束条件>>>如果约束有效，这两个残差平方和差异很小，F统计量值也应很小。(2)如何进行Wald系数检验(单个约束条件情形）其中，Q=产出；L=劳动力投入；K=资本投入Cobb-Douglas生产函数:

例

利用美国主要金属工业企业的数据（27个企业的数据），C-D生产函数估计结果如下，检验该生产函数是否满足规模报酬不变假设。选择View/CoefficientTests/Wald-CoefficientRestrictions，在编辑对话框中输入约束条件:

c(2)+c(3)=1（原假设：约束条件为真）：

EViews显示F统计量和

2统计量及相应的P值。2统计量等于F统计量乘以检验约束条件数。本例中，仅有一个约束条件，所以这两个检验统计量等价。它们的P值显示我们接受规模报酬不变的原假设。

（2）如何进行Wald系数检验(多个约束条件情形）

约束条件：

选择View/CoefficientTests/Wald-CoefficientRestrictions，在编辑对话框中输入约束条件：c(4)=0，c(5)=0，c(6)=0

F统计量对应的P值较大，检验结果表明我们应接受原假设遗漏变量(OmittedVariables)检验

（1）检验原理

检验给现有方程添加某变量对解释因变量变动是否有显著作用。

原假设H0：添加的变量不显著Lr和Lu是约束和无约束约束回归对数似然函数的最大值。在H0下，LR统计量服从渐近2分布，自由度等于约束条件数，即加入变量数。

（2）如何进行遗漏变量检验

选择View/CoefficientTests/OmittedVariables—LikelihoodRation，在打开的对话框中，列出检验统计量名，用至少一个空格相互隔开。

例如：原始回归为：log(q)clog(L)log(k)。输入：KLEViews将显示含有这两个附加解释变量的无约束回归结果，而且显示原假设：新添变量系数为0

的检验统计量。输出的结果如下：

对数似数比统计量就是LR检验统计量且渐进服从于2分布，自由度等于添加回归因子数。本例中，检验结果不能拒绝原假设，即表明添加变量不显著。冗余(RedundantVariables)变量检验

（1）检验原理

原假设：被检验变量系数为0

（2）如何进行冗余变量检验

选择View/CoefficientTests/RedundantVariable—likelihoodRatio，在对话框中，输入每一检验的变量名，相互间至少用一空格隔开。

例：原始回归为

lslog(Q)clog(L)log(K)KL

如果输入增加的变量K和L，EViews显示去掉这两个回归因子的约束回归结果，以及检验原假设：被检验变量系数为0

的统计量。结果如下：

检验统计量是F统计量和对数似然比。如果误差是独立正态分布随机变量，F统计量有确定有限样本F分布，分子自由度为原假设下系数约束条件数，分母自由度为总回归自由度。LR检验是渐近检验，服从2分布。

2.残差检验

包括对估计方程残差的序列相关，正态性，异方差性和自回归条件异方差性检验。(1)相关图和Q统计量

(2)平方残差相关图

(3)直方图和正态检验

显示直方图和残差的描述统计量，包括检验正态性的Jarque-Bera统计量。如果残差服从正态分布，J-B统计量应服从2

分布，直方图应呈钟型，若对应的p值较大，即J-B统计量应不显著，则接受原假设:误差正态分布。

(4)序列相关LM检验

(5)ARCHLM检验

(6)White异方差性检验3.稳定性检验

一个推荐的经验方法是把观测值区间n分为n1和n2两部分。n1个观测值用于估计，n2个观测值用于检验和评价。检验预测效果要用估计时未用到的数据，建模时常用n1区间估计模型，用n2区间检验和评价效果。对于子区间n1和n2的相对大小，没有太明确的规则。有时可能会出现明显的结构变化的转折点，例如战争，石油危机等。当看不出有转折点时，常用的经验方法是用85%-90%的数据作估计，剩余的数据作检验。检验模型参数在数据的不同子区间是否平稳。Chow分割点检验

检验的思想是对每一个子样本区间估计方程，看估计方程中是否存在显著差异。显著差异说明关系中存在结构变化。该检验EViews提供了F统计量和对数似然比（LR）统计量，F统计量基于对约束和非约束残差平方和的比较。在最简单情况下（一个分割点），计算如下：

原假设:不存在结构变化如何检验

选择View/StabilityTests/ChowBreakpointTest…出现对话框以后，填入间断点的日期。比如，如果方程的数据是从1950到1994，填入1960，则被定义成两个子区间：一个是1950到1959，另一个是1960到1994。

例：我们利用Chow检验来判断前例所建立的消费函数的稳定性。20世纪90年代前的中国仍然处于卖方市场，虽然居民收入水平增幅较大，但商品供给有限，而且当时的利息率较高，因而居民收入更加倾向于储蓄增值而不是立即消费。1994年我国开始了全面的体制改革和制度创新，随着国有企业体制改革的推进和大量非国有企业的兴起并日益壮大，国内商品市场日益繁荣，商品品种更加丰富，使得居民收入用于消费的部分增加。不妨以1994年为假想的间断点，用Chow检验判断1994之前和之后的两段时期消费函数是否产生了显著的差异。

该结果是拒绝原假设，即存在结构变化。

Chow分割点检验缺陷

如果每一个子区间要求至少和被估计参数一样多的样本数，那么这里就存在一个问题，比如说，要检验战争和和平时期的结构变化，但是战争时期的样本数较少。下面要讨论的Chow预测检验可以解决这个问题。Chow预测检验先估计了包括所有样本观测值的模型，然后用同样的模型去估计n1区间样本的因变量的值。如果两个估计值差异很大，就说明模型可能不稳定。检验适用于最小二乘法和二阶段最小二乘法。

EViews给出F统计量计算如下：

这里用所有样本观测值估计方程的残差平方和，是用n1子样本进行估计方程的残差平方和，k是被估计参数的个数。Chow预测检验

如何检验？选择View/StabilityTest/ChowForecastTest进行Chow预测检验。对预测样本开始时期或观测值数进行定义。数据应在当前