当前位置：文档之家 › 受约束的回归及检验例题

受约束的回归及检验例题

  • 格式：xlsx
  • 大小：15.32 KB
  • 文档页数：4

8.214154 8.462293 7.687186 7.839825 8.021896 7.692857 8.58762 8.48357 8.929247 6.766088 8.436285 5.137562 5.785455
8.718191 9.130025 7.960899 7.842133 8.473847 8.088037 9.003277 8.567924 8.92516 6.892154 9.832364 6.41495 7.328562
K 3078.22 1684.43 2742.77 1973.82 5917.01 1758.77 939.1 694.94 363.48 2511.99 973.73 516.01 3785.91 8688.03 2798.9 1808.44 1118.81 2052.16 6113.11 9228.25 2866.65 2545.63 4787.9 3255.29 8129.68 5260.2 7518.79 984.52 18626.94 610.91 1523.19
L 113 67 84 27 327 120 58 31 16 66 58 28 61 254 83 33 43 61 240 222 80 96 222 163 244 145 138 46 218 19 45
Unrestricted regression lnY lnK lnL 8.222204 8.032107 4.727388 7.274147 7.429183 4.204693 7.468724 7.916724 4.430817 7.280208 7.587726 3.295837 8.546616 8.685587 5.78996 7.736814 7.47237 4.787492 7.204276 6.844922 4.060443 6.487334 6.543826 3.433987 5.913989 5.895724 2.772589 7.371716 7.828831 4.189655 6.424399 6.881134 4.060443 6.426391 6.246126 3.332205 8.395972 8.239042 4.110874 8.656785 9.069701 5.537334 7.485138 7.936982 4.418841 7.125339 7.50022 3.496508 6.700362 7.020021 3.7612 7.549451 7.626648 4.110874
t Stat 1.586004 3.454149 1.789741
P-value 0.123969 0.001776 0.084317
lnY=1.153994+0.609236lnK+0.360796lnL
Restrict: α +β =1 代入，化简，移项，右边只保留lnA和有回归系数的项，得到约束条件下新的回归模型为 Y'=lnY-lnL=lnA+α ln(K/L) lnY-lnL 3.494817 3.069454 3.037908 3.984371 2.756656 2.949322 3.143833 3.053347 3.141401 3.182061 2.363956 3.094187 4.285098 3.11945 3.066297 3.628832 2.939162 3.438577 2.733515 3.059616 3.305159 3.275477 2.619219 2.599107 3.090452 3.506836 4.001994 2.937447 3.05179 2.193123 1.978792 ln(K/L) 3.304719 3.22449 3.485907 4.291889 2.895626 2.684878 2.784479 3.109838 3.123136 3.639176 2.820691 2.913922 4.128168 3.532367 3.518141 4.003712 3.258821 3.515774 3.237552 3.727347 3.578873 3.277785 3.07117 2.994286 3.506109 3.591191 3.997907 3.063513 4.447869 3.470511 3.5219
4.195972
可见计算出的F统计量明显小于临界值，不拒绝原约束条件表示α +β =1是
Significance F 8.03E-11
Lower 95%Upper 95% 下限 95.0% 上限 95.0% -0.33645 2.644439 -0.33645 2.644439 0.247942 0.970529 0.247942 0.970529 -0.05214 0.773738 -0.05214 0.773738
Significance F 0.001511
Lower 95%Upper 95% 下限 95.0% 上限 95.0% -0.19448 2.246576 -0.19448 2.246576 0.25311 0.963173 0.25311 0.963173
拒绝原约束条件表示α +β =1是合理的，可接受的
SUMMARY OUTPUT 回归统计 Multiple R 0.899958 R Square 0.809925 Adjusted R Square 0.796348 标准误差 0.425538 观测值 31 方差分析 df 回归分析 残差 总计 SS MS F 2 21.60493 10.80246 59.65501 28 5.070303 0.181082 30 26.67523
SUMMARY OUTPUT 回归统计 Multiple R 0.545313 R Square 0.297366 Adjusted R Square 0.273138 标准误差 0.418891 观测值 31 方差分析 df 回归分析 残差 总计 SS MS F 1 2.153586 2.153586 12.27328 29 5.088613 0.175469 30 7.242199

Coefficients 标准误差 t Stat P-value Intercept 1.026048 0.596769 1.719339 0.096211 X Variable 10.608141 0.17359 3.503324 0.001511
lnY-lnL=1.026048+0.608141ln(K/L) lnY=1.026048+0.608141lnK+0.391859lnL F= F0.05(1,28)= (RSSR-RSSU)/kU-kR RSSU/n-kU-1 = 0.101118
5.480639 5.402677 4.382027 4.564348 5.402677 5.09375 5.497168 4.976734 4.927254 3.828641 5.384495 2.944439 3.806662
Coefficients 标准误差 Intercept 1.153994 0.727611 X Variable 10.609236 0.176378 X Variable 20.360796 0.201591
Y 3722.7 1442.52 1752.37 1451.29 5149.3 2291.16 1345.17 656.77 370.18 1590.36 616.71 617.94 4429.19 5749.02 1781.37 1243.07 812.7 1899.7 3692.85 4732.9 2180.23 2539.76 3046.95 2192.63 5364.83 4834.68 7549.58 867.91 4611.39 170.3 325.53

合集下载

中级计量经济学讲义_第六章带有线性约束的多元线性回归模型及其假设检验

中级计量经济学讲义_第六章带有线性约束的多元线性回归模型及其假设检验

第六章 带有线性约束的多元线性回归模型及其假设检验在本章中，继续讨论第五章的模型，但新的模型中，参数β满足J 个线性约束集，R β=q ，矩阵R 有和β相一致的K 列和总共J 个约束的J 行，且R 是行满秩的，我们考虑不是过度约束的情况，因此，J ＜K 。

带有线性约束的参数的假设检验，我们可以用两种方法来处理。

第一个方法，我们按照无约束条件求出一组参数估计后，然后我们对求出的这组参数是否满足假设所暗示的约束，进行检验，我们在本章的第一节中讨论。

第二个方法是我们把参数所满足的线性约束和模型一起考虑，求出参数的最小二乘解，尔后再作检验，后者就是参数带有约束的最小二乘估计方法，我们在本章的第二节中讨论。

第一节 线性约束的检验 从线性回归模型开始，εβ+=X y （1）我们考虑具有如下形式的一组线性约束，JK JK J J K K K K q r r r q r r r q r r r =+++=+++=+++βββββββββ22112222212*********这些可以用矩阵改写成一个方程q R =β （2）作为我们的假设条件0H 。

R 中每一行都是一个约束中的系数。

矩阵R 有和β相一致的K 列和总共J 个约束的J 行，且R 是行满秩的。

因此，J 一定要小于或等于K 。

R 的各行必须是线性无关的，虽然J =K 的情况并不违反条件，但其唯一决定了β，这样的约束没有意义，我们不考虑这种情况。

给定最小二乘估计量b ，我们的兴趣集中于“差异”向量d=Rb －q 。

d 精确等于0是不可能的事件（因为其概率是0），统计问题是d 对0的离差是否可归因于抽样误差或它是否是显著的。

由于b 是多元正态分布的，且d 是b 的一个线性函数，所以d 也是多元正态分布的，若原假设为真，d 的均值为0，方差为R X X R R b Var R q Rb Var d Var ''='=-=-12)(])[(][][σ （3）对H 0的检验我们可以将其基于沃尔德（Wald ）准则：d d Var d J W 12])[()(-'==χ=)(])([)(112q Rb R X X R q Rb -'''---σ （4）在假设正确时将服从自由度为J 的2χ分布(为什么?)。

5约束条件的检验

5约束条件的检验

U
( ESS RSS
U
ESS
R
)/q
/( n ( k q 1 ))
~ F ( q , n ( k q 1 ))
Ｆ统计量的另一个等价式
F ( RU R R ) / q
2 2
(1 R U ) /( n ( k q 1 ))
2
讨论：
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；
kX

k 1
k

kq
(*)
X
kq
0
1
kX
X
k 1


(**)
(*)式可看成是（**）式的受约束回归：
H0：
k 1 k 2 k q 0
相应的Ｆ统计量为：
F ( RSS RSS
U R
RSS
U
)/q
/( n ( k q 1 ))

b x
j
ij

b x
k
ik

u
i
2 .约束回归： a
i
b x
1
i1

b x
2
i2

b（ x
j
ii

x
ij
）
b x
k
ik

u
i
3 .进行 F 检验： F
RSS
( r ) RSS ( u ) / 1
RSS ( u ) /( n k 1 )
~
例 城镇居民对食品的人均消费需求实例中，对 零阶齐次性检验： 无约束回归:RSSU=0.00324， kU=3 受约束回归:RSSR=0.00332， KR=2 样本容量n=14， 约束条件个数kU - kR=3-2=1
受约束回归模型

受约束回归模型


但是，如果约束条件 受约束回归 但是 如果约束条件为真，则受约束回归 如果约束条件为 无约束回归模型具有相同的解释能力 模型与无约束回归模型具有相同的解释能力， 模型与无约束回归模型具有相同的解释能力 RSSR 与 RSSU的差异变小。 可用RSSR - RSSU的大小来检验约束的真实性 可用 根据数理统计学的知识：
Y1 X 1 = Y X 2 2 0 β μ + 1 I n 2 γ μ 2
(**)
可见，用前n1个样本估计可得前k个参数β的估计， β 而γ不外是用后n2个样本测算的预测误差X2(α - β) γ α
合并两个时间序列为( 1,2,…，n1 ，n1+1,…，n1+n2 )， 无约束回归模型 则可写出如下无约束回 无约束回
Y1 X 1 = Y 0 2 0 β μ + 1 X 2 α μ 2
(*)
如果α=β，表示没有发生结构变化，因此可针对 α β 如下假设进行检验： H0: α=β β
这里，运用了ESSR ＝0。
二、对回归模型增加或减少解释变量
考虑如下两个回归模型
Y = β 0 + β1 X 1 + L + β k X k + µ
Y = β 0 + β 1 X 1 + L + β k X k + β k +1 X k +1 + L β k + q X k + q + µ
(*) (**)
RSSU / σ 2 ~ χ 2 (n − kU − 1)
RSS R / σ 2 ~ χ 2 (n − k R − 1)
《受约束回归》课件

《受约束回归》课件


多项式回归案例
总结词
多项式回归是一种扩展的线性回归模型 ，适用于非线性关系的数据。
VS
详细描述
多项式回归通过引入多项式项来扩展线性 回归模型，以适应非线性数据。它通过增 加自变量的幂次来构建更高阶的多项式， 从而更好地拟合数据的复杂模式。例如， 二次多项式回归模型可以表示为 (y = beta_0 + beta_1 x_1 + beta_2 x_1^2 + beta_3 x_2 + beta_4 x_2^2 + ...)。
自适应学习率调整
根据模型训练过程中的表现，动态调 整学习率。
避免学习率过高导致模型发散或学习 率过低导致模型训练缓慢的问题。
深度学习与受约束回归的结合
利用深度学习技术，提取高层次特征，提高受约束回归模型的性能。
结合深度学习中的优化算法，解决受约束回归中的复杂约束条件问题。
谢谢聆听自定义约束条件01约束条件形式
根据用户需求设定
02 03
约束条件描述
自定义约束条件是指用户可以根据自己的需求和假设，自 定义一些约束条件。这些约束条件可以是任何形式和逻辑 ，只要能够满足用户的需求和问题的要求。
实例
在预测产品销售量时，用户可以根据自己的经验和市场情 况，自定义一些约束条件，如“产品销售量与广告投入成 正比”、“产品销售量不会超过某一阈值”等。这些约束 条件可以作为自定义约束条件加入回归模型中。
约束条件的形式
线性约束
线性约束条件是指对回归系数施 加线性限制，如限制回归系数的 总和、平均值或范围等。
非线性约束
非线性约束条件是指对回归系数 施加非线性限制，如限制回归系 数的平方和、立方和等。
稀疏性约束