线性回归模型检验方法拓展-三大检验

第四章线性回归模型检验方法拓展——三大检验作为统计推断的核心容，除了估计未知参数以外，对参数的假设检验是实证分析中的一个重要方面。对模型进行各种检验的目的是，改善模型的设定以确保基本假设和估计方法比较适合于数据，同时也是对有关理论有效性的验证。

一、假设检验的基本理论及准则

假设检验的理论依据是“小概率事件原理”，它的一般步骤是

（1）建立两个相对（互相排斥）的假设（零假设和备择假设）。

（2）在零假设条件下，寻求用于检验的统计量及其分布。

（3）得出拒绝或接受零假设的判别规则。

另一方面，对于任何的检验过程，都有可能犯错误，即所谓的第一类错误

P（拒绝H

|H0为真）=α

和第二类错误

P（接受H

|H0不真）=β

在下图，粉红色部分表示P（拒绝H0|H0为真）=α。黄色部分表示P（接受H0|H0不真）=β。

而犯这两类错误的概率是一种此消彼长的情况，于是如何控制这两个概率，使它们尽可能的都小，就成了寻找优良的检验方法的关键。

下面简要介绍假设检验的有关基本理论。

参数显著性检验的思路是，已知总体的分布(,)F X θ，其中θ是未知参数。总体真实分布完全由未知参数θ的取值所决定。对θ提出某种假设001000:(:,)H H θθθθθθθθ=≠><或，从总体中抽取一个容量为n 的样本，确定一个统计量及其分布，决定一个拒绝域W ，使得0()P W θα=，或者对样本观测数

据X ，0()P X W θα∈≤。α是显著性水平，即犯第一类错误的概率。

既然犯两类错误的概率不能同时被控制，所以通常的做法是，限制犯第一类错误的概率，使犯第二类错误的概率尽可能的小，即在

0()P X W θα∈≤ 0θ∈Θ

的条件下，使得

()P X W θ∈，0θ∈Θ-Θ

达到最大，或

1()P X W θ-∈，0θ∈Θ-Θ

达到最小。其中()P X W θ∈表示总体分布为(,)F X θ时，事件W ∈{X }的概率，0

Θ为零假设集合（0Θ只含一个点时成为简单原假设，否则称为复杂原假设）。

0Θ-Θ为备择假设集合，并且0Θ与0Θ-Θ不能相交。由前述可知，当1H 为真时，它被拒绝（亦即H 0不真时，接受H 0）的概率为β，也就是被接受（亦即H 0不真时，拒绝H 0）的概率是1β-（功效），我们把这个接受1H 的概率称为该检验的势。在对未知参数θ作假设检验时，在固定α下，对θ的每一个值，相应地可求得1β-的值，则定义

=1()()P X W θβθ-∈

称1βθ-（）

为该检验的势函数。统计检验的势（函数）主要用于比较假设检验的优劣。于是一个好的检验方程是

00max (),..(),s t βθθβθαθ∈Θ-Θ⎧⎨≤∈Θ⎩ 或 00min(1()),..(),s t βθθβθαθ-∈Θ-Θ⎧⎨≤∈Θ⎩

为了理论上的深入研究和表达方便，我们常用函数来表示检验法。定义函数

1,()0,X W X X W

ϕ∈⎧=⎨∉⎩

它是拒绝域W 的线性函数，仅取值0或1。反之，如果一个函数中()X ϕ只取0或1，则{|()1}W X X ϕ==可作为一个拒绝域。也就是说，W 和ϕ之间建立了一种对立关系，给出一个ϕ就等价于给出了一个检验法，（我们称ϕ为检验函数）。那么，对于检验法ϕ的势函数为

()()()(,)E X X dF X θβθϕθΦ=Φ=⎰

于是，一个好的检验法又可写为

00max (),..(),s t E X θβθθϕαθΦ∈Θ-Θ⎧⎨≤∈Θ⎩

称满足上式的检验法为最优势检验(MPT)。如果对于复杂原假设和备择假设，则称为一致最优势检验(UMPT )。

奈曼—皮尔逊（Neyman Pearson -）基本引理给出于()X ϕ是MPT 的充要条件。

定理 设1,,n X X L 是来自总体分布密度为(,)p X θ的样本，θ为未知参数，对于简单假设检验问题0011:,:H H θθθθ==，检验函数()X ϕ是显著性水平为α的最优势检验(MPT)的充要条件是，存在常数0K ≥，使得()X ϕ满足

0()E X θϕα=

10101,(,)(,)

()0,(,)(,)p X Kp X X p X Kp X θθϕθθ>⎧=⎨<⎩当当

这就是著名的奈曼—皮尔逊基本引理，需要指出的是，上述定理中的检验函数()X ϕ通常称为似然比检验函数，若记

10(,)()(,)

p X X p X θλθ= 称()X λ为似然比统计量。如果()X λ较大，意味着1(,)p X θ较大。所以在0H 为真时观测到样本点X 的可能性比1H 为真时观察到样本点X 的可能性小，因而应拒绝原假设0H ；反之，如果()X λ较小则应接受0H 。此外，利用()X λ，上述定理中的()X ϕ可写为

1,()()0,()X K X X K

λϕλ>⎧=⎨<⎩

这说明对于简单假设检验问题，似然比检验是最优的，反之最优势检验法也一定是似然比检验法。而大量的文献都已证明了传统假设检验中的Z 检验、t 检验、2χ检验和F 检验都是最优势检验。

于是，我们可以放心地回到这部份的主题——计量经济模型的（假设）检验方法。

二、一般线性框架下的假设检验

设多元回归模型为

122k k Y X X u βββ=++++L （2-43）

式（2-43）的统计检验通常包括以下三种情况

1、单个系数的显著性检验。

2、若干个回归系数的联合检验。

3、回归系数线性组合的检验。

从检验的方面看，考虑以下典型假设

01、0:0j H β=。即解释变量j X 对Y 没有影响，这是最常见的参数显著性检验。

02、00:j j H ββ= 。0i β是某一具体值。例如j β表示价格弹性，我们也许希望它是-1。

03、012:1H ββ+=。这里的β可以看成生产函数中资本和劳动的弹性，此时检验是否规模报酬不变。

04、023:H ββ=或230ββ-=。即检验2X 和3X 的系数是否相同。 05、012:0k H βββ===L 。即检验全部解释变量都对Y 没有影响。 06、0:0II H β=。 这里的含义是把β向量分为两个子向量I β和II β，分别含有1k 和2k 个元素。检验0:0II H β=就是检验某一些解释变量II X （X 的一部分）对Y 没有影响。

诸如以上的情形都可归于一般的线性框架

RB r = （2-44）

注意：这里1(,)k B ββ'=L 。其中R 是由已知常数构成的q k ⨯矩阵（q k ≤），r 是各元素为常数（一般是0或1）的1q ⨯矩阵。于是，对于上述情形，R 的具体表示为

（i ）(010),0.(1)R r q ===L L

（ii ）0(010),.(1)i R r q β===L L