人人我a 第1章经济计量学的特征及研究范围 给予详细说明。首先考虑双变量模型是因为它是多元回归模型的基础。在随后的第7章中将会 看到,多元回归模型在许多方面是双变量模型的直接延伸。 用普通最小二乘估计法估计得到回归方程((1-4) =979-0.446CUNP-386AHE82 0-5) 这个结果很有意思,因为两个斜率系数均为负数。负的城市失业率表明失业率每增加1% 城市劳动力参与率将平均减少0.44%(假设平均小时工资为一常数)。这个结果又一次支持了受 挫工人假说。另一方面,若城市失业率为一常数,则平均小时工资每增加一个百分点,城市劳 动力参与率将平均减少3.86%。1负的平均小时工资系数有经济意义吗?为什么不期望该系数为 正(即小时工资越高,则劳动力市场的吸引力也就越高)呢?我们可通过微观经济两个孪生概念, 收入效应和替代效应,来验证系数为负。2 我们选择哪一个模型呢?式(1-3)还是式(1-5)呢?既然式(1-5)包含(1-3),而且增加了一个 分析变量(收入),所以我们可能选择式(1-5)。毕竟,式(1-2)暗含地假定了除失业率以外其余变 量均为常数。但是,我们的分析在哪才是尽头呢?例如,劳动力参与率可能还依赖于家庭财富, 六岁以下孩子的个数(这一点对于已婚妇女考虑进入劳动市场特别重要),孩子日托的便利程度, 宗教信仰,福利事业的好坏,事业保险等等。即使这些变量的数据都可得到,我们也不会把他 们都包括到模型中来,因为建模的目的不是包纳现实中的所有因素,而仅仅是一些显著因素。 如果我们试图在回归模型中包括每一个可以想像到的变量,那么这个模型将会极为庞大以至于 没有任何实际用处。最终选择的模型应该是对现实的合理的复制。在第14章中我们将进一 论这个问题,并且探讨如何建立和发展模型。 1.37检验来自模型的假设 模型最终确定之后,我们进行假设检验( hypothesis testing)。即验证估计的模型是否有经 济含义,以及用模型估计的结果是否与经济理论相符。例如,受挫工人假说假设劳动力参与与 失业率之间负相关。这个假说与结果相符吗?我们统计的结果与假说相一致,因为估计得到的 城市失业率系数为负。 然而,假设检验或许更复杂。在这个例子中,假设得知在先前的研究中,城市失业率的系 数约为-1,那么得到的结果还会与假设一致吗?如果以式(1-3)这个模型为基础,我们可能得到 个结果,但是如果以式(1-5)模型为基础,则可能得到另一个结果。怎样解决这个问题呢?我 们会在适当的章节中利用一些必要的工具来解决诸如此类的问题,但是需要提醒注意的是:根 据某一特定的假说所得到的结果将依赖于最终所选择的模型。 还有一点,在回归分析中,我们不仅对模型参数的估计感兴趣,而且对检验来自于某个经 济理论戗先验经验)的假设感兴趣 13.8运用模型进行预测 经过上述多个阶段,很自然地提出这样一个问题:我们用估计的模型干什么呢?比如说 式(1-5)所表示的模型。一般地,我们用模型进行预测( prediction, forecasting)。举个例子 假设现在有1997年的城市失业率和平均小时工资的数据,分别是5.2和1.2。将其带入式(1-5) 得到997年城市劳动力参与率的预测值为4926%。即,如果1997年的失业率为52%,真实 1式(1-5)中的城市失业率系数和平均小时工资系数称为偏回归系数,我们将在第7章中讨论偏回归系数的确 切含义。 2可查阅任意一本微观经济学的标准教科书。一种直接判断结果的方法是:假设夫妇双方都参加工作,则 在不影响家庭收入的前提下某一方收入的大量提高,将会促使另一方撤出劳动市场给予详细说明。首先考虑双变量模型是因为它是多元回归模型的基础。在随后的第 7章中将会 看到，多元回归模型在许多方面是双变量模型的直接延伸。 用普通最小二乘估计法估计得到回归方程(式( 1 - 4) )： ＝9 7 . 9-0.446 CUNP-3 . 8 6 A H E 8 2 (1 - 5) 这个结果很有意思，因为两个斜率系数均为负数。负的城市失业率表明失业率每增加 1%， 城市劳动力参与率将平均减少 0 . 4 4%(假设平均小时工资为一常数 )。这个结果又一次支持了受 挫工人假说。另一方面，若城市失业率为一常数，则平均小时工资每增加一个百分点，城市劳 动力参与率将平均减少 3 . 8 6%。1 负的平均小时工资系数有经济意义吗？为什么不期望该系数为 正(即小时工资越高，则劳动力市场的吸引力也就越高 )呢？我们可通过微观经济两个孪生概念， 收入效应和替代效应，来验证系数为负。 2 我们选择哪一个模型呢？式 ( 1 - 3 )还是式( 1 - 5 )呢？既然式( 1 - 5 )包含( 1 - 3 )，而且增加了一个 分析变量(收入)，所以我们可能选择式 ( 1 - 5 )。毕竟，式( 1 - 2 )暗含地假定了除失业率以外其余变 量均为常数。但是，我们的分析在哪才是尽头呢？例如，劳动力参与率可能还依赖于家庭财富， 六岁以下孩子的个数(这一点对于已婚妇女考虑进入劳动市场特别重要 )，孩子日托的便利程度， 宗教信仰，福利事业的好坏，事业保险等等。即使这些变量的数据都可得到，我们也不会把他 们都包括到模型中来，因为建模的目的不是包纳现实中的所有因素，而仅仅是一些显著因素。 如果我们试图在回归模型中包括每一个可以想像到的变量，那么这个模型将会极为庞大以至于 没有任何实际用处。最终选择的模型应该是对现实的合理的复制。在第 1 4章中我们将进一步讨 论这个问题，并且探讨如何建立和发展模型。 1.3.7 检验来自模型的假设 模型最终确定之后，我们进行假设检验(hypothesis testing)。即验证估计的模型是否有经 济含义，以及用模型估计的结果是否与经济理论相符。例如，受挫工人假说假设劳动力参与与 失业率之间负相关。这个假说与结果相符吗？我们统计的结果与假说相一致，因为估计得到的 城市失业率系数为负。 然而，假设检验或许更复杂。在这个例子中，假设得知在先前的研究中，城市失业率的系 数约为-1，那么得到的结果还会与假设一致吗？如果以式 ( 1 - 3 )这个模型为基础，我们可能得到 一个结果，但是如果以式 ( 1 - 5 )模型为基础，则可能得到另一个结果。怎样解决这个问题呢？我 们会在适当的章节中利用一些必要的工具来解决诸如此类的问题，但是需要提醒注意的是：根 据某一特定的假说所得到的结果将依赖于最终所选择的模型。 还有一点，在回归分析中，我们不仅对模型参数的估计感兴趣，而且对检验来自于某个经 济理论(或先验经验)的假设感兴趣。 1.3.8 运用模型进行预测 经过上述多个阶段，很自然地提出这样一个问题 :我们用估计的模型干什么呢？比如说 式( 1 - 5 )所表示的模型。一般地，我们用模型进行预测(prediction, forecasting)。举个例子， 假设现在有1 9 9 7年的城市失业率和平均小时工资的数据，分别是5 . 2和1 . 2。将其带入式( 1 - 5 )， 得到1 9 9 7年城市劳动力参与率的预测值为 4 9 . 2 6%。即，如果1 9 9 7年的失业率为5 . 2%，真实 下载 第1章 经济计量学的特征及研究范围介绍7 1 式( 1 - 5 )中的城市失业率系数和平均小时工资系数称为偏回归系数 ,我们将在第7章中讨论偏回归系数的确 切含义。 2 可查阅任意一本微观经济学的标准教科书。一种直接判断结果的方法是：假设夫妇双方都参加工作，则 在不影响家庭收入的前提下某一方收入的大量提高，将会促使另一方撤出劳动市场