回帰分析 重回帰 (2) 仮説検定

単一の制約 –t 検定 – メニューから行う方法 複数の制約 –F 検定 – メニューから行う方法 –F 統計量を実際に求める 構造変化 最適なモデルの決定

回帰分析の前提

最小二乗推定量

最小二乗推定量 (2)

個々の係数に関する検定

H0: ある変数の係数が 0 係数の標準誤差 t 値 = b / b(s.e.) 係数の真の値が 0 だとして計算 p 値 ( 両側確率） 通常は， 0.05 より小 さければ 0 と有意に 異なると判断 EDUC の t 値は ｔ分布に従う確率変 数が（絶対値で） より大きな値 をとる確率

仮説検定 単一の制約 t 分布 特に，「係数が 0 に等しい」という仮説は，回帰 分析の output をみるだけでよい p 値  output の Prob. 欄 wage1.raw の回帰分析の結果では， educ の p 値 は 。  educ の係数の真の値が 0 だとする と，（絶対値で） 以上の推定値を得る確 率が だということ（両側確率） 一般的には， p 値が 0.05 未満なら，係数 =0 の仮説 は棄却される 注意： Eviews の p 値は両側確率

educ の係数の信頼区間を求め る educ の係数は自由度 522 の t 分布をする df = オブザベーション数 (526) – 説明変数の個数 (4) = 522 片側 5% の臨界値  t 分布の 95% 点 両側 5% の臨界値  t 分布の 97.5% 点 – 例えば，両側 5% の場合，臨界値を t とすれば， b j の信頼区間は次の通りになる

educ の係数の信頼区間を求める (2) Eviews df) 累積分布が p になるｔ値を返す（自由度 i 番目の係数（定数項は 1 i 番目の係数の標準誤差 を用い，コマンド行で次のようにタイプする（  j 0 =b j とした 場合）。 scalar tc 522) scalar –tc scalar + tc i : 実際の数字（ 2 番目の変数の係数なら 2 を入れる ) 計算すると， b_low = , b_up= 任意の  j 0 に想定した値を代入 回帰分析の結果のメニューから View  Coefficient Diagnostics  Confidence Intervals をたどっても信頼区間を求められる。 Excel を用いることもできる

問題 Wage1.raw のデータを用いた先ほどの OLS で， 次の仮説をそれぞれ検定せよ。 EDUC の係数が 0.06 に等しい EXPER の係数が に等しい TENURE の係数が 0.02 に等しい – それぞれの場合の を用いる この場合の t 分布の自由度は ? –OLS を行った後， menu から View/Coefficient Diagnostics / Wald Test Coefficient Restrictions とたどる

複数の制約 RRSS (Restricted Residual Sum of Squares: 制約付きの残差平方和） URSS (Unrestricted Residual Sum of Squares: 制約無しの残差平方和） r : 制約の数 n-(k+1): 制約無しの回帰での自由度

複数の  j に関する制約（単一の制約） 単一の制約の問題に帰着できる場合がある 例） Kane and Rouse(1995) – 短大と 4 年生大学 : 賃金差はあるか – 回帰式 ln(wage)=  +  1 * jc +  2 * univ+  3 * exper + u jc 短大の教育年数 univ 4 年生大学の教育年数 exper 卒業後の年数（労働市場にでてからの年数） H 0 :  1 =  2

複数の  j に関する制約（単一の制約） 続き 1.ln(wage) =  +  1 *jc +  2 *univ +  3 *exper + u H 0 :  1 =  2 1. で  2 =  1 +  とおくと ln(wage) =  +  1 *jc + (  1 +  )*univ +  3 *exper + u これより 2.ln(wage) =  +  1 *(jc + univ) +  *univ +  3 *exper + u H 0 :  =0 jc+univ, univ で回帰し， univ の係数が 0 という制約に帰着

説明変数の全て (educ, exper, tenure) の係数が 0 かどうか ここをクリックし， coefficient diagnostics  Wald tests - coefficient restrictions.. をたどると，係数の制約 のテストの画面が表れる。 複数の制約も可能。 個々の係数 =0 の検 定はここをみる この値から F 検定を行うこともできる。 E- views に 保存される Eviews 係数の制約

Eviews での F 検定 View/ Coefficient diagnostics/ Wald test – Coefficient Restrictions を選択 c(3)=0, c(4)=0 で制約式を指定（複数の制約 式は, で区切る） c(3) は 3 番目の説明変数の係数（定数項を 1 番 目とカウント） H0: exper,tenure の係数がとも に 0 検定のための統計量は，自由 度が (2,522) の F 統計量 5% 水準の臨界値は H0 は棄却される 自由度 (2,252) の F 分布に従う 確率変数が より も大きな値 をとる確率 は

F 検定 （コマンドを打ち込む方法） 制約無しの回帰分析  URSS を求める 制約なしの回帰後，コマンドウィンドウで scalar 制約付の回帰分析  RRSS を求める 制約つきの回帰後，コマンドウィンドウで scalar F 統計量を計算 分子は (rrss-urss)/( 制約の数 ) ，分母は urrs/( 制約なしの回帰の自由 度 ) で計算した変数を作る（以下では，ｆｆとした） コマンドウィンドウで次のようにタイプ scalar f1= (rrss – urss)/ 制約の数 scalar f2 – 定数項を含んだ説明変数の個数 ) scalar ff =f1/f2 ff を用いる Excel でも同様の計算ができる

問題 1 wage1.raw 被説明変数 ln(wage) 説明変数 educ, exper, tenure, ｆ emale 次の仮説を検定せよ 1.H0 : 全ての説明変数の係数が 0 に等しい 2.H0 : 女性と男性の賃金格差は無い（定数項ダ ミーだけでよい） 3.H0 : exper と tenure の係数が共に 0 である 2. と 3. については，制約なしの残差平方和と制約 付の残差平方和の値を求める方法でも計算せよ。

問題 2 問題 1 と同じデータで次の仮説を検討せよ。 – 説明変数に female ダミーと学歴 (educ) ，勤続年数 (tenure) の交差項を加える。 女性と男性の賃金格差（定数項）は無いし，学 歴の効果の違いも無いし，勤続年数の効果の違 いも無い。

問題 3 MLB1.RAW 次の回帰式を推定 – 被説明変数： log(salary) – 説明変数： years, gamesyr, bavg, hrunsyr, rbisyr, runsyr, fldperc, allstar, firstbase, scndbase, thrdbase, shrtstop, catcher,(base は outfield) – 次の仮説を検討せよ。 他の要因を一定にした場合，捕手と外野手の年俸は同じ 他の要因を一定にした場合，守備位置の違いは年俸に影響を 与えない

Chow テスト 構造変化の検定 – 例）消費関数，投資関 数の推計 –T 個の時系列データ – 時点 s 以降で構造変が 起きたかどうかの検定 全体を二つの期間に 分割 – 時点ダミーを導入して  =0 の検定を行う k は説明変数の個数（定数項 も含めて）

最適なモデルの決定 F 検定 –nested model の場合 adjusted R2 を用いる方法 AIC 基準 (Akaike Information Criteria) AIC=-2ln(L)+2k ln(L): 対数尤度, k: パラメータの数（説明変数の数） AIC を最小にするようなモデルを選ぶ たいていの統計パッケージでは自動的に出力される 変数増減法 (stepwise regression) RESET ( regression specification error test) – 回帰式 非線形性のテスト J テスト –non nested model

RESET 上のモデルを推計し， y の予測値を得る。 y の予測値の平方，３乗の項，... を説明変数に加えた次 のモデルを推計する H0: (1) の定式化が正しい   1 =  2 =0 Eviews での RESET (1) 式を OLS で推計 View/ Stability Diagnostics/ Ramsey RESET Test Number of Fitted Terms で (2) 式に Fitted value をいくつ入れるかを 設定 1  2 次の項まで， 2  3 次の項まで

Non nested model MLB1.raw の MLB 選手の年棒の回帰分析では， hrunsyr( ホームラン数）と rbisyr （打点）はともに，有 意ではなかった（二つの変数の単相関は 0.89 と非常に高 いため）。 そこで，次の二つのモデルのどちらが適切かを選択する 必要に迫られたとする。

J test どちらか一方のモデルが正しいモデルであれば，他方の モデルで得られた予測値は説明力を持たない （例） H 2 で推定したモデルの予測値 (y2hat) を説明変数と して H 1 に代入して，  5 =0 の検定を行う 同様に， H 1 で推定したモデルの予測値 (y1hat) を説明変数 として H 2 に代入して，  5 =0 の検定を行う 両方のテストとも棄却される場合がある  別のモデル

Eviews distribution inverse number generator @qtdist(p,df) t 分布 Eviews で，自由度 (2,522) の F 分布に従う変数の 95% 点を 求めるためには scalar 2, 522) をコマンド行に打ち込む

Eviews : i t i 番目のｊ番目の係数の共分 : F standard error of the 回帰分析でのオブザベーション 数