计量经济学 第九章 设定误差与测量误差
1 第九章 设定误差与测量误差 计量经济学
引子：简单一定胜于复杂吗？ 西方国家盛行“0 ccam's razor”原则，意思是“简单优 于复杂”的节约性原则。经济模型永远无法完全把握现 实，在建立模型中一定的抽象和简化是不可避免的。 在研究进口与国内生产总值的关系时，考虑到时间趋 势，建立并估计了以下模型 IM=-172.42+0.271GDP-949.12T+160.73T 10.18T t=(-0.177）(5.67）（-2.22) (2.20） (-2.74) R2=0.991 F=272.95 DW=1.97
2 引子：简单一定胜于复杂吗? 西方国家盛行“Occam`s razor”原则，意思是“简单优 于复杂”的节约性原则。经济模型永远无法完全把握现 实，在建立模型中一定的抽象和简化是不可避免的。 在研究进口与国内生产总值的关系时，考虑到时间趋 势，建立并估计了以下模型 IM GDP T T T 2 3 = -172.42 + 0.271 - 949.12 + 160.73 - 10.18 t = (-0.177) (5.67) (-2.22) (2.20) (-2.74) R F = 0.991 = = 272.95 DW 1.97 2
有人根据“简单优于复杂”原则，得到以下方程： IM=-217.186+0.173GDP t=(-0.5)(16.94) (2) R2=0.960F=286.95 DW=0.735 进行比较： 两个方程的检验结果都较理想； 方程(2)GDP的检验值似乎优于方程(1)； 方程(2)函数形式也更为简单； 然而，能否根据“Occam's razor'”原则，判断方程(2)比 方程（1)好？
3 有人根据“简单优于复杂”原则，得到以下方程： (2) 进行比较： 两个方程的检验结果都较理想； 方程（2）GDP的t检验值似乎优于方程（1）； 方程（2）函数形式也更为简单； 然而，能否根据“Occam’s razor”原则，判断方程（2）比 方程（1）好？ IM = + -217.186 0.173GDP t = (-0.5) (16.94 ) R F 2 = 0.960 = = 286.95 DW 0.735
对模型的设定是计量经济研究的重要环节。 前面各章除了对随机扰动项分布的基本假定以 外，还强调： 假定设定的模型对变量和函数形式的设定是 正确地描述被解释变量与解释变量之间的真实关 系，假定模型中的变量没有测量误差。 但是在实际的建模实践中，对模型的设定不一定 能够完全满足这样的要求，从而会使模型出现设 定误差
4 对模型的设定是计量经济研究的重要环节。 前面各章除了对随机扰动项 分布的基本假定以 外，还强调: 假定设定的模型对变量和函数形式的设定是 正确地描述被解释变量与解释变量之间的真实关 系，假定模型中的变量没有测量误差。 但是在实际的建模实践中，对模型的设定不一定 能够完全满足这样的要求，从而会使模型出现设 定误差。 i u
第九章设定误差与测量误差 本章主要讨论： ·设定误差 ●设定误差的检验 ·测量误差
5 第九章 设定误差与测量误差 本章主要讨论: ●设定误差 ●设定误差的检验 ●测量误差
第一节设定误差 本节基本内容： ●设定误差及类型 ● 变量设定误差的后果 6
6 第一节 设定误差 本节基本内容: ●设定误差及类型 ●变量设定误差的后果
onome 一、设定误差及类型 计量经济模型是对变量间经济关系因果性的设想，若所设 定的回归模型是“正确”的，主要任务是所选模型参数的估 计和假设检验。但是如果对计量模型的各种诊断或检验总 不能令人满意，这时应把注意力集中到模型的设定方面： 考虑所建模型是否遗漏了重要的变量？ 是否包含了多余的变量？ 所选模型的函数形式是否正确？ 随机扰动项的设定是否合理？ 变量的数据收集是否有误差？ 所有这些，计量经济学中被统称为设定误差
7 一、设定误差及类型 计量经济模型是对变量间经济关系因果性的设想，若所设 定的回归模型是“正确”的，主要任务是所选模型参数的估 计和假设检验。但是如果对计量模型的各种诊断或检验总 不能令人满意，这时应把注意力集中到模型的设定方面： 考虑所建模型是否遗漏了重要的变量？ 是否包含了多余的变量？ 所选模型的函数形式是否正确？ 随机扰动项的设定是否合理？ 变量的数据收集是否有误差？ 所有这些，计量经济学中被统称为设定误差
设定误差的类型 从误差来源看，设定误差主要包括： (1)变量的设定误差，包括相关变量的遗漏 (欠拟合)、无关变量的误选（过拟合)； (2)变量数据的测量误差： (3)模型函数形式的设定误差， (4)随机扰动项设定误差。 本章主要讨论的两类变量设定误差： (1)相关变量的遗漏（欠拟合）； (2)无关变量的误选（过拟合）
8 从误差来源看，设定误差主要包括： （1）变量的设定误差，包括相关变量的遗漏 （欠拟合）、无关变量的误选（过拟合）； （2）变量数据的测量误差； （3）模型函数形式的设定误差； （4）随机扰动项设定误差。 本章主要讨论的两类变量设定误差: （1）相关变量的遗漏（欠拟合）； （2）无关变量的误选（过拟合）。 设定误差的类型
1.相关变量的遗漏 Omitting Relevant Variables 例如，如果“正确”的模型为 Y,=阝+阝2X2,+阝3X3+平 而我们将模型设定为 Y,=01+02X21+V 即设定模型时漏掉了一个相关的解释变量。 这类错误称为遗漏相关变量(“欠拟合”)。 9
9 1. 相关变量的遗漏 （Omitting Relevant Variables） 例如，如果“正确”的模型为 而我们将模型设定为 即设定模型时漏掉了一个相关的解释变量。 这类错误称为遗漏相关变量（“欠拟合”）。 Yi = b1 + b2X X 2i + + b m 3 3i i Y X i = a 1 + + a n 2 2 i i
2.无关变量的误选 (Including Irrevelant Variables) 例如，如果“真实模型”为： Y=阝1+阝2X2,+B3X3+4 但我们却将模型设定为 Y,=01+Q2X2,+03X,+04X4,十V 即设定模型时，多选了一个无关解释变量。这类 错误称为无关变量的误选（“过拟合”)。 10
10 2. 无关变量的误选 (Including Irrevelant Variables) 例如，如果“真实模型”为： 但我们却将模型设定为 即设定模型时，多选了一个无关解释变量。这类 错误称为无关变量的误选（“过拟合”）。 Yi = b1 + b2X X 2i + + b m 3 3i i Yi = a1 +a2X2i +a3X X 3i + + a n 4 4i i