论文部分内容阅读
传统的计量经济学强调白噪声误差项时的估计量和检验方法在非白噪声误差项下所造成的严重后果,即认为白噪声误差假设下的方法在非白噪声误差项下是不可行的,或会得出令人误解的结论。但在实际应用中,在拟合了更一般的结构后,经常会发现估计或检验的结果并不会有太大的改变。这说明在白噪声条件下所用的方法对于误差项的白噪声偏离具有一定的稳健性,也就是不敏感。为了研究估计量和检验统计量关于白噪声偏离的敏感性,Banerjee和Magnus(1999,2000)提出了一种局部敏感性分析方法,并利用这种方法分别研究了通常的最小二乘估计量和线性回归模型中F-检验对误差项白噪声偏离的敏感性。Wan等(2007)在文章中详细分析了约束最小二乘估计量和预检验估计量对于误差项白噪声偏离的敏感性。
本文延续了模型参数估计量关于误差项白噪声偏离的敏感性研究,我们感兴趣的目标量是预测值。首先讨论了线性模型中回归系数β的Stein-rule(SR)估计量,提出了敏感性度量统计量BSR,用来检验预测值(y)SR(θ)(或相应的回归系数的估计(β)SR(θ))关于误差协方差参数θ是否具有敏感性,并在误差项为AR(1)和MA(1)的假设下模拟了BSR的表现。结果显示,估计量(β)SR和预测值(y)SR对误差项的白噪声偏离并不是很敏感,尤其在MA(1)误差项下,估计量是很稳健的。
实际中经常会遇到纵向数据,线性混合效应(LME)模型是处理这类数据的有力工具。本文接下来讨论了LME模型中预测值对于误差项白噪声偏离的敏感性问题,分别在(i)σ2b和σ2已知;(ii)σ2b和σ2未知,但σ2与σ2b的比值己知的两种情况下提出了敏感性统计量(B)和(B),并将部分结果推广到了一族非正态误差分布情形,然后在AR(1)和MA(1)误差项条件下数据模拟了统计量B和B的表现。结果表明,两种情况下的预测值(y)和(y)在AR(1)和MA(1)误差项下都不具有明显的敏感性;特别是对(y),在误差项为MA(1)时敏感性曲线几乎保持不变,证明了预测值在MA(1)误差下具有很好的稳健性。