18模型设定与诊断检验

滞后10期的Granger因果性检验结果如下：（当概率小于0.05时，表示推翻原假设）

上表中概率定义为，

P(F>1.36) = 0.19316

图示如下：

0.80.60.40.2临界值 1.36 0.511.52 P(F>23.44) = 0.00000

因为F值（1.36）落在原假设接受域，所以原假设“上海股票价格综合指数对深圳股票价格综合指数不存在Granger因果关系” 被接受。

因为F值（23.44）落在原假设拒绝域，所以原假设“深圳股票价格综合指数对上海股票价格综合指数不存在Granger因果关系” 被推翻。

用滞后1?10期的检验式分别检验，结论都是深圳股票价格综合指数是上海股票价格综合指数变化的原因，但上海股票价格综合指数不是深圳股票价格综合指数变化的原因，

EViews操作方法是，打开数剧组窗口，点View键，选Granger Causility。在打开的对话窗口中填上滞后期（下面的结果取滞后期为10。），点击OK键。

（14）内生性Hausman检验

Hausman（1978）首先提出关于变量内生性的检验用统计量。Davison和MacKinnon（1989，

21

1993）又提出一种借助辅助回归进行Hausman检验的方法。假定需要作如下回归，

yt = ?0 +?1 xt1 +?2 xt2 +?3 zt + ut （40）

其中zt有可能是由yt决定的内生变量。那么对上式的OLS估计量一定是有偏的和不一致的。为了检验zt的内生性，应该找到一组工具变量，既与zt高度相关，又与上式中的误差项ut不相关。工具变量的选择在实际中是非常重要的一步。比如，选择了xt3 和 xt4作为工具变量。内生性Hausman检验通过如下两次回归完成。

第一个回归式是用待检验变量zt对上式中的全部外生变量xt1 ，xt2和选定的工具变量xt3 ，xt4回归。

zt = ?0 +?1 xt1 +?2 xt2 +?3 xt3 +? xt4 + vt

?t。 用OLS法估计上式，并提取残差序列v?t作为附加变量加入到（40）式 第二步是把v?t+ ut （41） yt = ?0 +?1 xt1 +?2 xt2 +?3 zt +?4v用OLS法再次回归。

如果zt具有外生性，或者说?0，?1，?2，?3具有一致性，那么回归系数?4的OLS估计量应该没有显著性。如果?4的OLS估计量具有显著性，则推翻原假设?0，?1，?2，?3具有一致性，结论是?0，?1，?2，?3不具有一致性，zt是内生变量。

2．模型诊断与EViews操作

在EViews中，模型诊断与检验功能可以分为3大类。（1）模型参数约束检验，（2）模型残差检验，（3）模型稳定性检验。

EViews中模型诊断功能一览 1 2 1级检验功能 模型参数约束检验 模型残差检验 2级检验功能 参数约束的Wald检验。 丢失变量的似然比检验。 多余参数的似然比检验。 残差序列的相关图与偏相关图，Q检验。 残差平方序列的相关图与偏相关图。 残差直方图与分布正态性检验。 序列相关LM检验。 自回归条件异方差LM检验。 异方差White检验（不含交叉项）。 异方差White检验（含交叉项）。 邹突变点检验。 邹预测检验。 Ramsey模型设定误差检验。 递归估计（只适用于OLS估计）。 3级检验功能 递归残差。 累计递归残差检验。 累计递归残差平方检验。 一步预测检验。 n步预测检验。 递归参数走势图。 3 模型稳定性检验

22

下面介绍EViews操作。

（1）模型参数约束检验（Coefficient Tests）。 模型参数约束检验中包括3种检验。

①Wald-Coefficient Restrictions（参数约束的Wald检验）；

②Omitted Variables -Likelihood Ratio（丢失变量的似然比检验）； ③Redundant Variables- Likelihood Ratio（多余参数的似然比检验）。前1种属于Wald检验；后两种属于似然比（L R）检验。

在回归估计结果窗口中点击View键，选择Coefficient Tests功能，会看到3种关于参数约束的检验方法。① Wald-Coefficient Restrictions（参数约束的Wald检验），② Omitted Variables -Likelihood Ratio（丢失变量的似然比检验），③Redundant Variables- Likelihood Ratio（多余参数的似然比检验）。

① Wald-Coefficient Restrictions（参数约束的Wald检验） 例：（file: nonli12）对台湾制造业生产函数检验?1/?2 = 0.5是否成立。 Lnyt= -8.4 + 0.67 Lnxt1 + 1.18 Lnxt2

(4.4) (3.9) R2 = 0.89, F = 48.45, DW=1.3

检验?1/?2 = 0.5是否成立。应选择方法①，参数约束的Wald检验。注意，相应的命令应该是

c(2)/c(3)=0.5

?

23

概率大于0.05，说明统计量落在了零假设的接收域。结论是接受原假设（约束条件成立）。

② Omitted Variables-Likelihood Ratio（丢失变量的似然比检验）

做Omitted Variables -Likelihood Ratio（丢失变量的似然比检验）检验时，意味着把当前的回归结果当作是约束模型，在随后弹出的对话框中应列写在回归方程中拟新加入的解释变量名。

例：（file: nonli12）以台湾制造业生产函数为例（file: nonli12）。 在如下回归式 Lnyt= 2.16 + 1.24 Lnxt1

(4.9) (17.7) R2 = 0.96, F = 312.5, DW=1.0 中检验是否应该加入资本变量（Lnxt2）。H0：Lnxt2的系数?2 = 0。在估计上式的窗口中点击View键，选择Coefficient Tests，Omitted Variables-Likelihood Ratio功能（如下图），

?

得一对话框，填入变量Lnxt2（如图所示）， 点击OK键，

24