定義和 檢驗一旦估計了方程，EViews提供了評價方程定義質量的工具。隨著改進，檢驗結果將影響所選擇的定義，這一過程將重復下去，直到方程定義恰當為止。本節描述了在方程對象的View中關于定義檢驗統計量的多個菜單。試圖提供足夠的統計方法來進行這些檢驗，但是實際考慮的許多描述是不完全的，建議查閱標準統計和經濟計量學參考資料。2下面描述的每一檢驗過程包括假設檢驗的原假設定義。檢驗指令輸出包括一個或多個檢驗統計量樣本值和它們的聯

合概率值（P值）。P值說明在原假設為真的情況下，樣本統計量絕對值的檢驗統計量大于或等于臨界值的概率。P值度量的是犯第一類錯誤的概率，即

正確的原假設的概率，P值越大，錯誤地

原假設的可能性就越大；P值越小，

原假設時就越放心。例如，如果P值在0.01和0.05之間，原假設在5%顯著性水平被

而不是在1%水平。切記：對每一檢

驗都有不同假設和分布結果。例

些檢驗統計量有確切

的有限的樣本分布（常為t

或

F分布）。其它是服從近似分布的大樣本檢驗統計量。每一檢驗的內容都不同，將分別描述。3補充學習：概率（P值）結果的最后一項是在誤差項為正態分布或系數估計值為漸近正態分布的假設下, t統計量與實際觀測值一致的概率。這個概率稱為邊際顯著性水平或P

值。給定一個P

值，可以一眼就看出是

還是接受實際系數為零的雙邊假設。例如，如果顯著水平為5%

，P

值小于0.05就可以

系數為零的原假設。對于例1的結果，系數

inc

的零假設在1%的顯著水平下被拒絕。4方程對象菜單的View中給出三種檢驗類型選擇來檢驗方程定義。包括系數檢驗、殘差檢驗和穩定性檢驗：5系數檢驗系數檢驗對估計系數的約束進行評價，包括對遺漏變量和冗余變量特殊情況的檢驗。一、Wald檢驗——系數約束條件檢驗1.Wald檢驗原理Wald檢驗沒有把原假設定義的系數限制加入回歸，通過估計這一回歸來計算檢驗統計量。Wald統計量計算無約束估計量如何滿足原假設下的約束。如果約束為真，無約束估計量應接近于滿足約束條件。6遞增的，也可以7考慮一個例子。生產函數的數學2.

如何進行Wald系數檢驗為介紹如何進行Wald系數檢驗，形式為Q

AK

L0

1

, 0

1在最初研究對象滿足規模C-D生產函數中，假定參數滿足

+

=1

，也就是假定不變。A(K)

(L)

AK

L

AK

L即當資本與勞動的數量同時增長倍時，產出量也增長

倍。1937年，提出了C-D生產函數的改進型，即取消了

+

=1

的假定，允許要素的產Q

為產出，K

為資本投入，L

為勞動力投入。很容易推出參數

,

分別是資本和勞動的產出彈性。那么由產出彈性的經濟意義，應該有

,出彈性之和大于1或小于1，即承認研究對象可以是規模是規模

遞減的，取決于參數的估計結果。8log

Q

A

log

L

log

K

u例3.8Cobb-Douglas生產函數估計形式如下：利用

主要金屬工業企業的數據（27個企業的數據），C-D生產函數估計結果如下：(1)9從結果看LogL和logK的系數和小于1，但為確定這種差異是統計相關的常進行有約束的

Wald

系數檢驗。

選擇View/Coefficient

Tests/Wald-Coefficient

Restrictions，在編輯 框中輸入約束條件。約束條件應表示為含有估計參數和常數（不可以含有序列名）的方程，系數應表示為c(1)，c(2)等等除非在估計中已使用過一個不同的系數向量。為檢驗

+

=1

的規模

不變的假設，在框中輸入下列約束：c(2)

+

c(3)

=

1單擊OK，EViews顯示Wald檢驗如下結果（原假設：約束條件有效）：EViews顯示F統計量和2

統計量及相應的P值。2

統計量等于F

統計量乘以檢驗約束條件數。本例中，僅有一個約束條件，所以這兩個檢驗統計量等價。它們的P值表明 可以確定地接受規模 不變的原假設。

1下面考慮檢驗多個約束條件的情況。例如，改變前面的C-D生產函數為非線性形式，

估計一個如下形式的生產函數2

2

5

6

log

L

log

K

log

2

L

log

2

Klog

Q

1

2

log

L

3

log

K

4檢驗約束條件：4

5

。6這個0非線性模型的估計結果如下：10檢驗多個約束條件，應用逗號隔開約束條件。在方程框

中

選

擇

View/Coefficient

tests/Wald

CoefficientRestrictions。在Wald檢驗

框中輸入如下約束條件：c(4)=0，c(5)=0，c(6)=0，結果如下：檢驗結果是不能 原假設，表明(1)式的Cobb-Douglas生產函數是這一問題較適當的方程定義形式。11遺漏變量(OmittedVariables)檢驗1.遺漏變量檢驗原理這一檢驗能給現有方程添加變量，而且詢問添加的變量對解釋因變量變動是否有顯著作用。原假設H0是添加變量不顯著。檢驗的輸出是

F

統計量和似然比（LR）統計量及各自P值，以及在備選假設下無約束模型估計結果。F統計量基于約束和無約束回歸殘差平方和之差。LR統計量由下式計算：LR

2Lr

Lu

Lr和Lu是約束和無約束約束回歸對數似然函數的最大值。在H0下，LR統計量服從漸近2分布，加入變量數。度等于約束條件數，即12注意：遺漏變量檢驗要求在原始方程中和檢驗方程中觀測值數相等。如果要加入變量的任一序列與原方程樣本相比，含有缺失觀測值（當加入滯后變量時這種情況常見），檢驗統計量將無法建立。遺漏變量檢驗可應用于線性LS，TSLS，ARCH，Binary,

Ordered, Censored,

Count模型估計方程。只有通過列表法列出回歸因子定義方程而不能通過公式，檢驗才可以進行。2.

如何進行遺漏變量檢驗選擇View/Coefficient

Tests/Omitted

Variables—LikelihoodRation，在打開的框中，列出檢驗統計量名，用至少一個空格相互隔開。13例如：原始回歸為：

log(q)

c

log(L) log(k)

。輸入：K

LEViews將顯示含有這兩個附加解釋變量的無約束回歸結果，而且顯示原假設：新添變量系數為0

的檢驗統計量。輸出的結果如下：對數似數比統計量就是LR檢驗統計量且漸進服從于2

分布， 度等于添加回歸因子數。本例中，檢驗結果不能

原假設，即添加變量不顯著。14冗余(Redundant

Variables)變量冗余變量檢驗原理冗余變量檢驗可以檢驗方程中一部分變量的統計顯著性。更正式，可以確定方程中一部分變量系數是否為0，從而可以從方程中剔出去。原假設：被檢驗變量系數為0。冗余變量檢驗可以應用于線性LS，TSLS，ARCH（僅均值方程），Binary,Ordered,Censored,Count模型估計方程。只有以列表法列出回歸因子形式，而不是公式定義方程，檢驗才可以進行。如何進行冗余變量檢驗選擇View/Coefficient

Tests/Redundant

Variable—likelihoodRatio，在

框中，輸入每一檢驗的變量名，相互間至少用一空格隔開。15例如：原始回歸為ls

log(Q)

c

log(L)

log(K)

K

L如果輸入增加的變量K和L，EViews顯示去掉這兩個回歸因子的約束回歸結果，以及檢驗原假設：被檢驗變量系數為0

的統計量。結果如下：檢驗統計量是F統計量和對數似然比。如果誤差是獨立正態分布隨 量，F統計量有確定有限樣本F分布，分子度為原假設下系數約束條件數，分母 度為總回歸自由度。LR檢驗是漸近檢驗，服從2

分布。16殘差檢驗EViews提供了對估計方程殘差的序列相關，正態性，異方差性和自回歸條件異方差性檢驗。17相關圖和Q統計量平方殘差相關圖殘差直方圖和正態檢驗顯示殘差直方圖和殘差的描述統計量，包括檢驗殘差正態性的Jarque-Bera統計量。如果殘差服從正態分布，直方圖應呈鐘型，J-B統計量應不顯著。也適用于LS，TSLS，非線性LS等模型殘差。選擇View/ResidualTests/HistogramNormality顯示直方圖和J-B統計量。在原假設:殘差正態分布下，J-B統計量應服從2

分布，度為2。序列相關LM檢驗ARCH

LM檢驗White異方差性檢驗18定義和穩定性檢驗EViews提供了一些檢驗統計量選項，它們檢查模型參數在數據的不同子區間是否平穩。一個 的經驗方法是把觀測值區間T分為T1和T2兩部分。T1個觀測值用于估計，T2個觀測值用于檢驗和評價。把所有樣本數據用于估計，有利于形成最好的擬合，但沒有考慮到模型檢驗，也無法檢驗參數不變性，估計關系的穩定性。檢驗效果要用估計時未用到的數據，建模時常用T1區間估計模型，用T2區間檢驗和評價效果。對于子區間T1和T2的相對大小，沒有太明確的規則。有時可能會出現明顯的結構變化的轉折點，例如

，石油 等。當看不出有轉折點時，常用的經驗方法是用85%-90%的數據作估計，剩余的數據作檢驗。19Chow分割點檢驗Chow分割點檢驗的思想是對每一個子樣本區間估計方程，看估計方程中是否存在顯著差異。顯著差異說明關系中存在結構變化。例如，可以使用這個檢驗來檢查石油前后的能源需求函數是否一樣。為進行檢驗，把數據分為兩個或多個子樣本區間，每一子區間包含的觀測值數應大于方程參數，這樣才使得方程能被估計。Chow分割點檢驗基于比較利用整個樣本估計方程獲得的殘差平方和及利用每一子區間樣本估計方程獲得的殘差平方和之間的差別。對Chow分割點檢驗，EViews提供了兩個檢驗統計量。

F統計量和對數似然比（LR）統計量，F統計量基于對約束和非約束殘差平方和的比較。在最簡單情況下（一個分割點），計算如下：20其中:u~u~是整個樣本期間估計的殘差平方和；u?iu?i

是第i

個子區間的殘差平方和；T

是觀測值數；k

是方程參數個數，這一公式可以擴展為多于一個分割點。Chow分割點檢驗的原假設:不存在結構變化。Chow分割點檢驗的主要缺陷是，如果每一個子區間要求至少和被估計

參數一樣多的樣本數，那么這里就存在一個問題，比如說，要檢驗

和和平時期的結構變化，但是

時期的樣本數較少。下面要

的Chow

檢驗可以解決這個問題。1

1

2

21

1

2

2?

? ?

?

u

u

)(T

2k

2)(u

u(u~u~

(u?u?

u?u?

)) (k

1)F

2122為了進行Chow

分割點檢驗，選擇View/Stability

Tests/ChowBreakpoint

Test…出現

框以后，填入間斷點的日期。比如，如果方程的數據是從1978到2002年，填入1994，則被定義成兩個子區間：一個是1978到1993，另一個是1994到2002。例3.9

利用Chow檢驗來判斷例3.1所建立的消費函數的穩定性。

20世紀90年代前的中國仍然處于賣方市場，雖然居民收入水平增幅較大，但商品供給有限，而且當時的利息率較高，因而居民收入更加傾向于儲

蓄增值而不是立即消費。1994年我國開始了全面的

和制度創新，隨著國有企業

的推進和大量非國有企業的興起并日益壯大，國

內商品市場日益繁榮，商品品種更加豐富，使得居民收入用于消費的部

分增加。不妨以1994年為假想的間斷點，用Cho