diplom25 / suslov_ibragimov_ekonometrika
.pdf582 |
Глава18.Классические критерии проверки гипотез |
Суммы квадратов остатков в двух моделях равны e!0e0 и e!1e1,соответственно. Количествоограничений k = N2.Такимобразом,получаемследующуюстатистику:
(e! e0 − e! e1) /N2
F c = ! 0 ( 1− − 1) FN2, N1−n−1.
e1e1/ N1 n
Статистика имеет указанное распределение,если выполнена нулевая гипотеза
H0 : δ = 0.
Если нулевая гипотеза принимается, это означает,что модель не менялась.
Заметим,что в случае,когда наблюдений в одной из частей выборки не хватает, чтобы оценить параметры,либо их столько же,сколько параметров,например, N2 ! n + 1,второй тест Чоу можно рассматривать как распространение на этот вырожденный случай первого теста Чоу.
Второй тест Чоу можно интерпретировать также как тест на точность прогноза. Поскольку Z2a Ñпрогнозы,полученныедлявторойчастивыборкинаосновеоценок первой части( a),то из второго уравнения системы(18.7)следует,что оценки d равны ошибкам такого прогноза:
d = X2 − Z2a.
Таким образом,проверяя гипотезу δ = 0,мы проверяем,насколько точны прогнозы.Если модель по второй части выборки отличается от модели по первой части, то ошибки прогноза будут большими и мы отклоним нулевую гипотезу.
18.3.Метод максимального правдоподобия в эконометрии
18.3.1.Оценки максимального правдоподобия
Методмаксимальногоправдоподобия Ñэтоодинизклассическихметодовоценивания,получивший широкое распространение в эконометрии благодаря своей универсальности и концептуальной простоте.
Для получения оценок максимального правдоподобия следует записать функцию правдоподобия,а затем максимизир овать ее по неизвестным параметрам модели.Предположим,что изучаемая переменная x имеет распределение с плотностью fx(x),причем эта плотность зависит от ве ктора неизвестных параметров θ,что можно записать как fx(x|θ).Тогда для N независимых наблюдений за переменной x,т.е. x1, . . . , xN , функция правдоподобия,по определению,есть
18.3.Метод максимального правдоподобия в эконометрии |
583 |
плотность их совместного распределения,рассматриваемая как функция от θ при данном наборе наблюдений x1, . . . , xN :
L (θ) = 4N fx(xi|θ).
i=1
Если изучаемая переменная имеет дискретное распределение,то fx(x|θ) следует понимать как вероятность,ане как плотность.Наряду с функцией L (θ) из соображений удобства рассматривают также ее логарифм,называемый логарифмической функцией правдоподобия.
Оценки максимального правдоподобия θ для параметров θ являются,по определению,аргмаксимумом функцииправдоподобия(или,что то же самое,логарифмической функции правдоподобия). Они являются решением уравнения правдоподобия:
∂ln L = 0.
∂θ
Вболее общем случае нельзя считать наблюдения за изучаемой переменной,
x1, . . . , xN ,независимыми и одинаково распределенными.В этом случае задается закон совместного распределения всех наблюдений, fx(x1, . . . , xN |θ) = fx(x|θ) ,
ифункция правдоподобия для данного вектора наблюдений x полагается равной fx(x|θ).
Известно,что оценки максимального правдоподобия обладают свойствами состоятельности,асимптотическойнормальностииасимптотическойэффективности.
Оценку ковариационной матрицы оценок θ можно получить на основе матрицы вторых производных(матрицы Гессе)логарифмической функции правдоподобия:
,∂2 ln L(θ ).−1
−∂θ∂θ! .
Другая классическая оценка ковариационной матрицы имеет вид
(I (θ ))−1 , |
|||
где |
,− ∂θ∂θ! . |
||
I (θ) = E |
|||
|
|
∂2 ln L(θ) |
|
Ñтак называемая информационная матрица.
584 |
Глава18.Классические критерии проверки гипотез |
18.3.2.Оценки максимального правдоподобия для модели линейной регрессии
Рассмотрим модель линейной регрессии xi = zi α + εi ,где вектор коэффициентов имеет размерность n + 1,ошибки εi независимы и распределены нормально: εi N (0, σ2),а факторы zi являются детерминированными.При этом изучаемая переменная тоже имеет нормальное распределение: xi N (ziα,σ 2).Плотность этого распределения равна
1 |
|
1 |
2 |
|
√ |
|
e− |
2σ2 |
(xi−ziα) . |
2πσ2 |
Перемножаяплотностидлявсехнаблюдений(сучетомихнезависимости),получим
функцию правдоподобия: |
|
|
|
|
|
|
|
|
|
|
|
|
i% |
|
|
|||||
|
L (α,σ ) = (2π)N /2 σN e |
|
|
|
|
. |
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
N |
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
− |
2σ2 |
|
(xi−ziα)2 |
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
=1 |
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
Соответствующая логарифмическая функция правдоподобия равна |
||||||||||||||||||||
|
|
|
|
|
|
N |
|
|
|
|
|
|
|
1 |
N |
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
!i |
|
|
ln L (α; σ) = − 2 |
ln (2π) − N ln σ − 2σ2 |
− zi α)2, |
||||||||||||||||||
(xi |
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
=1 |
|
|
или в матричных обозначениях |
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
N |
|
|
|
|
|
|
|
|
1 |
|
|
− Z α)! (X − Z α) . |
|||||
ln L (α; σ) = − |
|
|
ln (2π) − N ln σ − |
|
(X |
|||||||||||||||
2 |
|
2σ2 |
||||||||||||||||||
Берем производные: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
∂ ln L |
= |
|
1 |
|
Z |
! (X − Z α) = 0, |
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|||||||||||||
|
∂α |
σ2 |
|
|
|
|
||||||||||||||
|
∂ ∂σ |
= − σ |
+ σ3 ((X − Z α)! (X − Z α)) = 0. |
|||||||||||||||||
|
ln L |
|
|
|
|
N |
1 |
|
|
|
|
|
|
|
|
|
Из первого уравнения получим оценки максимального правдоподобия для коэффициентов α:
a = 0Z !Z 1−1 Z !X.
Видим,что оценки наименьших квадратов и оценки максимального правдоподобия совпадают.Из второго ура внения,подставляя в него оценки a вместо α, получим оценку дисперсии σ2:
s2 = N1 e!e,
586 |
Глава18.Классические критерии проверки гипотез |
||||
В методе наименьших квадратов в качестве оценки берут |
|||||
|
|
e!e |
1 |
|
|
|
Ma = |
|
0Z !Z 1− |
|
. |
|
N − n − 1 |
|
При N → ∞ эти две оценки сходятся.
Метод максимального правдоподобия дает также оценку дисперсии для s:
e!e var(s) = 2N 2 .
Рассчитаем также информационную матрицу.Для этого возьмем математическое ожидание от матрицы вторых производных со знаком минус:
I = E |
|
σ2 Z !Z |
|
|
|
σ3 (X − Z α)! Z |
|
|
= |
σ2 Z !Z |
0! |
, |
|||||||
|
|
1 |
|
|
|
|
|
2 |
|
|
|
|
|
|
1 |
|
|
|
|
|
2 |
Z ! (X |
− |
Z α) |
3 |
(X |
− |
Z α)! (X |
− |
Z α) |
− |
N |
|
|
0 |
2N |
|
||
σ3 |
σ4 |
σ2 |
σ2 |
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
где мы воспользовались тем,что X −Z α представляет собойвектор ошибок модели ε и выполнено E (ε) = 0, E (ε!ε) = N σ2.Обращая информационную матрицу вточке (a, s),получимтужеоценкуковариационной матрицы,чтоираньше.Таким образом,оба метода дают одинаковый результат.
|
|
|
Рассмотрим |
|
логарифмическую |
||||
|
Ln L |
|
функцию |
правдоподобия |
как |
функ- |
|||
|
|
||||||||
|
|
|
цию одного из |
коэффициентов, αj , |
|||||
|
|
|
при остальных коэффициентах за- |
||||||
|
|
|
фиксированных |
на |
уровне |
оценок |
|||
|
|
|
максимального правдоподобия,т.е.срез |
||||||
|
|
|
(n + 2)-мерного пространства(см.рис. |
||||||
|
|
|
18.1).Видим,что оценка |
aj |
тем точнее, |
||||
|
|
|
чем острее пик функции правдоподобия. |
||||||
|
|
|
А степень |
остроты |
пика |
показывает |
|||
|
xj |
j |
|||||||
|
вторая производная(по |
абсолютному |
|||||||
|
|
|
Рис. 18.1 |
значению).Поэтому математическое |
|
ожидание матрицы вторых производных |
||
|
со знаком минус называется информационной матрицей.Эта матрица удовлетворяет естественным требованиям:чем больше имеем информации,тем точнее оценка.
Есливлогарифмическуюфункциюправдоподобия ln L (α; σ) подставить оцен-
"
ку s2 для σ2,которая найдена из условия ∂ ln L ∂σ = 0:
s2 = e!e , N
18.3.Метод максимального правдоподобия в эконометрии |
587 |
то получится так называемая концентрированная функция правдоподобия,которая
зависит уже только от α: |
ln (2π) − |
|
|
#N e!e$ |
− |
2 . |
||
ln Lc (α) = − 2 |
2 |
ln |
||||||
|
N |
N |
|
1 |
|
|
N |
Очевидно,что максимизация концентрированной функции правдоподобия эквивалентна методу наименьших квадратов(минимизации суммы квадратов остатков).
18.3.3.Три классических теста для метода максимального правдоподобия
Рассмотрим линейную регрессию с нормальными ошибками.Требуется проверить гипотезу о том,что коэффициенты этой регрессии удовлетворяют некоторым линейным ограничениям.Пусть a0 Ñоценки,полученные методом максимального правдоподобия без учета ограничений,а a1 Ñоценки,полученные тем же методом с учетом ограничений,и пусть ln L0 Ñзначение логарифмической функции правдоподобия в точке a0, а ln L1 Ñзначение логарифмической функции правдоподобия в точке a1.Статистику для проверки такой гипотезы естественно строить как показатель,измеряющийсущественность различиймежду двумя моделямиÑс ограничениями и без них.Если р азличия не очень велики(ограничения существенны),то гипотезу о том,что огра ничения выполнены,следует принять, а если достаточно великиÑто отвергнут ь.Рассмотрим три возможных способа измерения этих различий,проиллюстрировав их графически.
Критерий отношения правдоподобия |
|
|
|
|
|
|
|||
(Likelihood |
ratio test Ñ LR)основан |
|
|
Ln L |
|
|
|
||
на различии значений логарифмической |
|
|
|
|
|
|
|||
функции правдоподобия в точках a0 и |
Ln L0 |
|
|
|
|
||||
a1 (см.рис. 18.2),или,что то же са- |
|
|
|
|
|
|
|||
мое,на логарифме отношения правдопо- |
Ln L1 |
|
|
|
|
||||
добия,т.е.величине |
|
|
|
|
|
||||
|
|
|
|
|
|
|
|||
ln L0 − ln L1 = ln # |
L0 |
$. |
|
|
|
|
|
|
|
L1 |
|
|
|
|
|
|
|||
Критерий |
множителей |
Лагранжа |
0 |
|
a1 |
a0 |
a |
||
|
|
|
|
|
|
||||
(Lagrange multiplier test Ñ LM)осно- |
|
|
|
Рис. 18.2 |
|
|
|||
ван на различии тангенса угла наклона |
|
|
|
|
|
||||
|
|
|
|
|
|
||||
касательной к логарифмической функции правдоподобия в точках a0 |
и a1.По- |
скольку в точке a0 он равен нулю,то следует рассмотреть,насколько тангенс угла наклона касательной в точке a1 отличен от нуля(см.рис. 18.3).
588 |
|
|
|
|
|
Глава18.Классические критерии проверки гипотез |
|||||||||||
|
|
|
Ln L |
|
|
|
|
|
|
|
Критерий |
Вальда(Wald test Ñ W) |
|||||
|
|
|
|
|
|
|
|
|
|
основан на невязках рассматриваемых |
|||||||
Ln L0 |
|
|
|
|
|
|
|
|
ограничений.В точке |
a1 ,по опреде- |
|||||||
|
|
|
|
|
|
|
|
|
|
лению,невязки равны нулю.Таким об- |
|||||||
Ln L1 |
|
|
α |
|
|
|
|
|
разом,следует |
рассмотреть,насколь- |
|||||||
|
|
|
|
|
|
|
|
ко невязки в точке a0 |
отличны от ну- |
||||||||
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
ля.В случае одного параметра точка |
|||||||
|
|
|
|
|
|
|
|
|
|
a1 |
однозначно задается ограничения- |
||||||
|
|
|
|
|
|
|
|
|
|
ми,и невязка в точке |
a0 при линей- |
||||||
0 |
|
|
|
a1 |
a0 |
|
|
a |
|||||||||
|
|
|
|
|
ных ограничениях будет некоторой ли- |
||||||||||||
|
|
|
|
Рис. 18.3 |
|
|
|
|
нейной функцией разности оценок a0 |
||||||||
|
|
|
|
|
|
|
|
и a1 (см.рис. 18.4). |
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||
Покажем,как соответствующие кри- |
|
|
|
|
|
|
|
|
|||||||||
терии выводятся в рассматриваемом нами |
|
|
Ln L |
|
|
|
|
||||||||||
случае линейной регрессии с нормальными |
|
|
|
|
|
|
|
||||||||||
ошибками,когда требуется проверить ли- |
|
|
|
|
|
|
|
||||||||||
нейные ограничения на коэффициенты. (В |
|
|
|
|
|
|
|
||||||||||
общем случае построение критериев про- |
|
|
|
|
|
|
|
||||||||||
исходит аналогичным образом.)При выво- |
|
|
|
|
|
|
|
||||||||||
де критериев нам понадобится следующая |
|
|
|
|
|
|
|
||||||||||
лемма(см.ПриложениеA.3.2). |
|
|
|
|
|
|
|
|
|||||||||
Лемма:Пусть |
χ Ñвектор( χ Rk ) |
|
|
|
|
|
|
|
|||||||||
0 |
|
|
a1 |
a0 |
a |
||||||||||||
случайных величин,подчиненных мно- |
|
|
|
|
|
|
|
|
|||||||||
гомерному |
нормальному |
распределению: |
|
|
|
|
Рис. 18.4 |
||||||||||
χ N |
00, σ2Ω1,где матрица Ω неособенная.Тогда |
|
|||||||||||||||
|
|
|
|
||||||||||||||
|
|
|
|
|
|
1 |
χ!Ω−1χ χk2. |
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
σ2 |
|
|
|
|
Доказательство:
Так как Ω положительно определена(cм.ПриложенияA.1.2иA.1.2),то существует неособенная квадратная матрица C ,такая,что Ω−1 = C C !.Рассмотрим
|
1 |
|
|
1 |
|
||||
равнавектор |
|
C χ.Ясно,что |
E |
# |
|
|
|
C χ$ = 0,а ковариационная матрица этого вектора |
|
σ |
σ |
||||||||
|
|
|
|
1 |
|
|
E 0Cχχ !C !1 = C ΩC ! = Ik . |
||
|
|
|
|
|
|
|
|||
|
|
|
|
σ2 |
|||||
Такимобразом,вектор |
|
1 |
C χ состоитиз k некоррелированныхи,какследствие |
||||||
|
|
(по свойству многомерногоσнормального распределения),не зависимых случайных
18.3.Метод максимального правдоподобия в эконометрии |
589 |
величин,имеющихстандартное нормальное распределение.Тогда(поопределению |
||
распределения χ-квадрат)сумма квадратов вектора |
1 |
C χ распределена как χ2 . |
|
||
|
σ |
k |
|
|
Тест Вальда(W-тест)
Для оценки коэффициентов регрессии без ограничений выполнено a0 = 0Z !Z 1−1 Z !X N (α,σ 2 0Z !Z 1−1).
Рассмотрим невязки ограничений Ra0 − r.Чем они больше,тем более правдоподобно,что ограничения не выполнены.Ясно,что(см.ПриложениеA.3.2)
()
Ra0 − r N Rα − r; σ2A ,
где,какираньше,используетсяобозначение A = R (Z !Z )−1 R!.Матрица A имеет размерность k × k,где k Ñколичество ограничений. Пусть выполнена нулевая гипотеза
H0: Rα = r.
Тогда Ra0 − r N |
00; σ2A1.По лемме |
|
|
||
|
1 |
(Ra0 − r)! A−1 |
(Ra0 |
− r) χk2. |
|
|
|
σ2 |
Поскольку известны лишь a0 Ñоценкибез ограничений,то в качестве оценки неизвестной величины σ2 берем N1 e!0e0,где e0 = X − Z a0Ñостатки из модели без ограничений.Отсюда получаем статистику Вальда:
W = e0! e0 (Ra0 − r)! |
(R Z !Z |
−1 R!)− (Ra0 − r) . |
|
||||
|
N |
0 |
1 |
1 |
|
|
|
Эта статистика распределена примерно как χ2 |
.Тогда,если |
W <χ 2 |
,то сле- |
||||
|
|
|
k |
|
|
k,γ |
|
дует принять H0,что ограничения выполнены.При |
W >χ k,2 |
γ |
ограничения суще- |
||||
ственны и следует отвергнуть H0. |
|
|
|
|
|
|
Можно увидеть,что статистика Вальда имеет следующую структуру:
|
e! e0 |
W = (Ra0 − r)! 0RMa0 R!1−1 (Ra0 − r) , |
где Ma0 = |
0 |
(Z !Z )−1 Ñоценкаковариационнойматрицыоценок a0.Фактиче- |
|
N
ски это общая формула для статистики Вальда,применимая в случае произвольной модели,а не только линейной регрессии с нормальными ошибками.
590 |
Глава18.Классические критерии проверки гипотез |
Тест отношения правдоподобия(LR-тест)
Рассмотрим статистику LR = −2 (ln L1 − ln L0) = −2 ln |
|
L1 |
,называемую ста- |
|||||
|
L0 |
|||||||
тистикойотношенияправдоподобия.Здесь L1 и L0 Ñзначениялогарифмической |
||||||||
функции правдоподобия в точках a0 и a1: |
2 ln # |
|
$ |
|
|
|
||
ln L0 |
= − 2 (1 + ln 2π) − |
N |
, |
|
||||
|
|
N |
N |
e0! e0 |
|
|
|
|
ln L1 |
= − 2 (1 + ln 2π) − |
2 ln # |
N |
$ |
. |
|
||
|
|
N |
N |
e1! e1 |
|
|
|
|
Суммы квадратов остатков здесь равны
e!0e0 = (X − Z a0)! (X − Z a0)
и
e!1e1 = (X − Z a1)! (X − Z a1) =
= (X − Z a0)! (X − Z a0) + (Ra0 − r)! A−1 (Ra0 − r) .
Покажем,чтоесливернанулеваягипотеза Rα = r,топриближенновыполнено
−2 ln (L1/L0) χ2k .
Действительно,
− |
# |
|
$ |
# |
|
|
$ |
P |
(X |
−Z a0)! (X |
|
Z a0) |
Q |
||
L0 |
e! |
e0 |
− |
||||||||||||
|
L |
|
0 |
|
|
|
− |
|
r) |
|
|||||
|
2 ln |
|
1 |
|
= N ln |
1 |
1 |
|
= N ln 1 + |
0 |
|
|
0 − |
|
. |
Длянатуральногологарифмапрималых x выполнено ln (1 + x) ≈ x.Рассмотримпоследнюю дробь.Прибольшомколичестве наблюдений оценки a0 стремятся к вектору α,для которого выполнено H0 : Rα = r.Отсюда следует,что при большом количестве наблюдений дробьÑм алая величина,и получаем приближенно
|
− |
#L0 |
$ |
≈ |
|
(X |
−Z a0)! (X Z a0) |
|
|||
LR = |
|
2 ln |
L1 |
|
|
N |
(Ra0 |
r)! A−1 |
(Ra0 |
− r) |
= W. |
|
|
|
|
|
− |
− |
|||||
|
|
|
|
|
|
|
|
|
|
Таким образом,статистика отношения правдоподобия приближенно равна статистике Вальда,которая приближенно распределена как χ2k .ПолучилиLR-тест: если LR >χ 2k,γ ,то H0 неверна,ограничения не выполнены,а если LR <χ 2k,γ , то наоборот.
18.3.Метод максимального правдоподобия в эконометрии |
591 |
Тест множителей Лагранжа(LM-тест)
Ранее мы получили выражение для множителей Лагранжа,соответствующих ограничению Rα = r:
|
A−1(Rα − r); σ2A−1 |
−. |
λ = A−1 (Ra0 − r) . |
|
|
|
|
|
||||||
N |
|
0 |
|
− |
|
1 |
|
|
|
|
||||
Из |
того,что |
Ra0 |
r |
|
N Rα |
|
r; σ2A |
,следует,что |
λ |
|
||||
0 |
1 |
2 |
|
|
|
|
|
0 |
0; σ2A−1 |
1 |
|
|
|
|
Отсюда при H0 |
: Rα1= r |
выполнено λ |
|
N |
|
|
,поэтому в силу леммы |
имеем |
|
λ!Aλ χk .Поскольку известны только оценки с ограничением, a1, |
|||||||||||||||||||||||||||||||||||||||||||||||||
σ2 |
|||||||||||||||||||||||||||||||||||||||||||||||||||
то в качестве оценки σ2 берем |
|
1 |
|
e! |
|
e1. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
N 1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
Получили статистику |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
N |
|
|
|
|
|
|
|
|
|
N |
λ!R 0Z !Z 1−1 R!λ. |
|
|
|
|
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
LM = |
|
|
λ!Aλ = |
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
e1! e1 |
e1! e1 |
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||||
Если |
LM >χ |
|
k,2 |
γ ,то H0 |
|
отвергается,ограничен ия не выполнены.Если |
|||||||||||||||||||||||||||||||||||||||||||||
LM <χ k,2 |
γ ,то |
H0 |
принимается. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
Вспомним,что из нормальных уравнений для оценок при ограничениях |
|
|
|
|
|||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
R"λ = Z "(X − Z a1). |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
В то же время |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
∂ ln L(a1, |
|
|
|
) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
e" |
e1/N |
= |
|
|
N |
|
Z " (X |
|
Z a1) Ñ |
|
|
|
|
|
|
|
|||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
− |
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
α |
|
|
|
|
|
|
|
e |
e |
1 |
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
∂Z |
|
|
|
|
|
|
|
|
|
|
1" |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
производнаялогарифмическойфункцииправдоподобия(этофункциябезучетаогра- |
|||||||||||||||||||||||||||||||||||||||||||||||||||
ничений)по параметрам в точ ке оценок при ограничениях a1 |
и s1 = @ |
e1" e1 |
. |
|
|
||||||||||||||||||||||||||||||||||||||||||||||
N |
|
|
|||||||||||||||||||||||||||||||||||||||||||||||||
Статистика множителей Лагранжа,таким образом,имеет следующую структуру: |
|||||||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
e" |
|
|
|
∂ ln L(a1, |
|
|
|
) |
|
|
|
|
|
|
|
1 ∂ ln L(a1 |
, |
|
|
|
|
) |
|
|
|
|
|
|
|
|||||||||||||||||||
|
LM = |
e |
1 |
|
e" |
e1/N |
(Z "Z )− |
e" |
e1 |
/N |
= |
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||
|
1 |
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
N |
|
|
|
|
|
|
|
|
|
α |
|
|
|
|
|
|
|
|
|
|
|
|
|
∂α |
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
∂Z" |
|
∂ ln L(a1, |
|
|
|
|
|
|
|
) |
|
Z |
|
∂ ln L(a1, |
|
|
|
|
) |
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
= |
|
|
|
e1" e1/N |
Ma0 (a1) |
|
e1" e1 |
/N |
, |
||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
α |
|
|
|
|
|
|
|
|
|
|
|
α |
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
e" |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
∂ Z" |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
∂Z |
|
|
|
|
|||||||
где Ma0 (a1) = |
|
e |
1 |
(Z "Z )−1 Ñоценка ковариационной матрицы оценок |
|
|
|
|
|||||||||||||||||||||||||||||||||||||||||||
|
|
1 |
|
a0,вы- |
|||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
N
численная на основе информации,доступной в точке a1.Это общая формула для статистики множителей Лагранжа,применимая в случае произвольной модели,а не только линейной регрессии с нормальными ошибками.В таком виде тест называется скор-тестом(score test)или тестом Рао.