Title: Presentazione di PowerPoint
1UNIVERSITA' DI CAGLIARI ______________________
_____ CORSO DI ECONOMETRIA ______________________
_____ Prof. Paolo Mattana Lezione N 11 La
logica dietro la diagnostica di routine del
modello classico di regressione lineare
2La trinità dellapproccio classico al test
- Obiettivi
- Capire le motivazioni dietro il post regression
econometric testing - Conoscere, in termini generali, gli elementi su
cui si basano i test. - Essere in grado di discutere lintuizione
generale dietro i test LR, WALD, LM.
3Utilità del test (in termini generali)
Si consideri di voler inferire qualcosa a
partire da un vettore di parametri (parametric
testing)
4- Checking consistency with economic theory.
- Economic and statistical considerations (signs,
magnitudes of coefficients, statistical
significance). - Diagnostic or battery testing procedures.
- Reconciliation of results with previous studies
using alternative non-nested models
Come mi comporto??
5Operazioni preliminari
6Come selezionare un test desiderabile
(abbiamo ormai
unampia casistica)
(ricordate le definizioni di power of a test e di
errore di II specie??)
7(No Transcript)
8R ? q
9Basi di partenza
- - Esistono alcuni risultati standard sulle
proprietà distributive delle stime ottenute con
metodi MLE - tali risultati possono utilizzarsi per costruire
test asintotici (parametrici/non parametrici) - Il passaggio da MLE a OLS dipende dal fatto che,
sotto lipotesi di normalità degli errori, sono
proporzionali a RSS
10Lo stimatore MLE di un vettore qualsiasi di
parametri sarà Sotto H0 Sotto H1
113 principi WALD, LM, LR
- Most of the modern tests (using the Likelihood
Ratio, Wald and Lagrange Multiplier Principles)
obtain test statistics from the OLS regressions
based on simple auxiliary regressions. - Only the LR tests requires estimation under both
the null and the alternative hypothesis.
12PRINCIPIO DI WALD
13PRINCIPIO LR
14Test secondo il principio LM
- Si voglia massimizzare la log-likelihood sotto il
vincolo espresso dalla ipotesi nulla - Il Lagrangiano è
- e le FOC sono
15LM
- The LM tests are the easiest to use and are
usually able to be computed as nR2 from the
auxiliary regression. - So you run an auxiliary regression embodying some
hypothesis about the behaviour of the error term.
- Then take the R2 and multiply it by the sample
size.
16Dati i principi classici utilizzati per i test,
possiamo finalmente vedere come sono fatti i test
finora utilizzati nel post regression hypothesis
testing Normalità dei residui Jarque-Bera Et
eroschedasticità White Correlazione
seriale Breusch-Godfrey Forma
funzionale Ramsey RESET
17Jarque-Bera Misura la differenza tra simmetria
e curtosis di una distribuzione specifica con
quella della distribuzione normale.
Abbiamo dove S è la simmetria, C il kurtosis,
e k rappresenta il numero di coefficienti
stimati. Sotto H0 JB si distribuisce secondo un
?2 con 2 gradi di libertà
18Test di eteroschedasticità di White Step 1
generare i residui della regressione Step 2
stimare la regressione ausiliaria Step 3 Test
F (su tutti i gamma) Test n R2 secondo un ?2
19Ramsey RE(gression) S(pecification) E(rror)
T(est) Anche in questo caso abbiamo Il test si
basa sulla regressione aumentata Con Z
generica. Poiché noi utilizziamo il RESET test
come un test di forma funzionale, la Z, nel
nostro caso, conterrà la parte non lineare del
modello (non statisticamente significativo sotto
H0)
20Serial Correlation LM Test (Breusch-Godfrey) Alter
nativo rispetto a DW, può essere usato per forme
di Correlazione seriale più generiche. Step 1
stimare la regressione Step 2 La versione n
R2 è il test di Breusch-Godfrey
21Relationships between the three asymptotic tests
- The three statistics measure the distance from
the null using three different methods
tg?s(?0)
?
22The systems of hypotheses
- These statistics are constructed first with
respect to a simple null hypothesis
23Wald test simple null
- Since
- then, under H0 ? ?0
- because ?W asymptotically equals the sum of k
squared independent normal variates
24Quadratic forms of normal variables
- If x N( ?, ? ) then z Q-1( x - ? ) N( 0, I
)where ? QQ (P?1/2) (P?1/2) P?P?
Var(z) Q-1 ? (Q-1) Q-1 QQ (Q-1) I - Therefore (x - ?) ?-1 (x - ?) ?2k ?
(x-?)?-1(x-?) (x-?) (Q-1) Q-1(x-?)
zz
25LM test simple null
- Since
- then, under H0 ? ?0, using the same result on
quadratic forms - we obtain the efficient score or LM statistic
26Test secondo il principio LM
- Si voglia massimizzare la log-likelihood sotto il
vincolo espresso dalla ipotesi nulla - Il Lagrangiano è
- e le FOC sono
27LM test simple null
- Therefore
- i.e., the score in ?0 equals the Lagrange
multiplier of the constrained optimisation
problem - This is the reason why the ?LM statistics is
defined Lagrange multiplier statistic
28LR test simple null
- A third distributional result states that
- This is known as the likelihood ratio (LR)
statistic - The rationale of the LR statistics derives from
the Neyman-Pearson lemma, discussed extensively
in Spanos (1986, par. 14.3-14.4).
29Relationships between the three asymptotic tests
- The three statistics measure the distance from
the null using three different methods
tg?s(?0)
?
30Relationships between the three asymptotic tests
- Since the three statistics considered are
basically three ways of measuring the same thing,
it comes as no surprise that they are equivalent - This equivalence comes in two distinct but
related senses - In small samples, whenever the likelihood
satisfies strong regularity conditions - Asymptotically, for mild regularity conditions of
the likelihood function
31Relationships between the three asymptotic tests
small sample
- Let us first review the equivalence result in
small sample the asymptotic properties will be
established after analysing the composite null
case - The fundamental result states that whenever the
log-likelihood is well approximated by a
quadratic function in a neighbourhood of its
maximum then the three test statistics are
identical
32Relationships between the three asymptotic tests
small sample
- Formally (see Engle, 1984, p. 782), we have
- with A a symmetric positive definite matrix.
Therefore
33Relationships between the three asymptotic tests
small sample
- And the three classical statistics are
34(No Transcript)