GMM(广义矩估计)、GARCH模型和定性的有限因变量-时间序列分析.ppt

来自 : max.book118.com/html/2018/0116 发布时间：2021-03-24

（4）多项式回归模型 在生产和成本函数分析中经常使用。 y:总成本；x:产出。则 2. 虚拟变量的应用 例3.6：工资差别 为了解工作妇女是否受到了歧视，可以用美国统计局的“当前人口调查”中的截面数据研究男女工资有没有差别。这项多元回归分析研究所用到的变量有： W — 雇员的工资（美元/小时） 1；若雇员为妇女 SEX = 0；其他 ED — 受教育的年数 AGE — 雇员的年龄 1；若雇员不是西班牙裔也不是白人 NONWH = 0；其他 1；若雇员是西班牙裔 HISP = 0；其他 对206名雇员的样本所进行的研究得到的回归结果为（括号内是t统计量的值）： （22.10）（-3.86） R2 = 0.068 D.W.=1.79 反映雇员性别的虚拟变量SEX在显著性水平 5%下显著。因为工资的总平均是9.60美元，该虚拟变量告诉我们，妇女的平均工资为8.12美元，或比总平均低1.48美元。 在回归模型中加入年龄AGE和受教育年数ED以及种族或民族，性别虚拟变量仍然是显著的： （-3.38) (-4.61) (8.54) (4.63) (-1.07) (0.22) R2=0.367 D.W.=1.78 最后考虑年龄AGE与工资W之间非线性关系的可能性时，男女差别还是显著存在的。这一点可以由下列回归结果看出： (-4.59) (-4.50) (7.98) (-1.22) (0.28) (3.87) (-3.18) R2=0.398 D.W.=1.75 这个回归模型的年龄AGE项说明，在其他条件不变的情况下，雇员的工资率随着他的年龄的增长而增长（系数为0.62），但是增加的速度越来越慢（-0.0063）。进一步的研究表明，工资在雇员的年龄为42.9岁时达到最大，之后逐年下降。 例3.7 季节虚拟变量 当使用含有季节因素的经济数据进行回归分析时，可以对数据进行季节调整消除原数据带有的季节性影响，也可以使用虚拟变量描述季节因素，进而可以同时计算出各个不同季度对经济变量的不同影响。如果用虚拟变量，这时包含了4个季度的4种分类，需要建立3个虚拟变量。用Qi表示第i个季度取值为1，其他季度取值为0的季节虚拟变量，显然Q1 + Q2 + Q3 + Q4 = 1 ，如果模型中包含常数项，则只能加入Q1，Q2，Q3 ，否则模型将因为解释变量的线性相关而无法估计，即导致虚拟变量陷阱问题。当使用月度数据时，方法与上述类似，但需要有11个虚拟变量。 图3.1-1 社会消费品零售总额RS 图3.1-2 GDP 通过图3.1，可以看出1995年1季度～2003年1季度的季度GDP和社会消费品零售额RS存在明显的季节因素（数据见附录E表E.4），GDP通常逐季增加，也有一些年份中第二季度高于第三季度。RS在第一季度增加，第二季度减小，第三季度略有上升，第四季度达到高峰。 下面利用季度数据对我国的国民生产总值GDP和社会消费品零售额RS进行回归分析，分别考虑不包含和包含虚拟变量的情形。不包含虚拟变量的回归结果为 （3.3.9） t = (1.44) (9.11)
2018年1月26日大小:760 KB 字数:约1.29万字 发布时间:2018-01-26 浏览人气:241 下载次数:仅上传者可见 收藏次数:0 需要金币:*** 金币 (10金币=人民币1元)想...广义,估计,模型,有限,因变量,时间序列,分析GMM（广义矩估计）、GARCH模型和定性的有限因变量-时间序列分析.ppt,（4）多项式回归模型 在生产和成本函数分析中经常使用。 y:总成本；x:产出。则 2. 虚拟变量的应用 例3.6：工资差别 为了解工作妇女是否受到了歧视，可以用美国统计局的“当前人口调查”中的截面数据研究男女工资有没有差别。这项多元回归分析研究所用到的变量有： W — 雇员的工资（美元/小时） 1；若雇员为妇女 SEX = 0；其他 ED — 受教育的年数 AGE — 雇员的年龄 1；若雇员不是西班牙裔也不是白人 NONWH = 0；其他 1；若雇员是西班牙裔 HISP = 0；其他 对206名GMM（广义矩估计）、GARCH模型和定性的有限因变量