chow breakpoint/forecast test

最新推荐文章于 2022-07-22 10:39:23 发布

eyejavaeye

最新推荐文章于 2022-07-22 10:39:23 发布

阅读量1.4k

点赞数

分类专栏： BI 文章标签： F#

BI 专栏收录该内容

21 篇文章

订阅专栏

本文探讨了Chow断点检验的应用及其在实际操作中的局限性，特别是在寻找确切断点方面存在的挑战。通过案例分析，展示了如何利用Chow检验判断模型参数是否发生变化，并讨论了在不同断点下检验结果的差异。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

chow's breakpoint检验
零假设是：两个子样本拟合的方程无显著差异。有差异则说明关系中结构发生改变
demo中
Chow Breakpoint Test: 1977Q1

F-statistic 2.95511837136742 Prob. F(3,174) 0.0339915698953355
Log likelihood ratio 8.94507926849178 Prob. Chi-Square(3) 0.0300300700620291

p值<0.05，可拒绝0假设，即认为各个因素的影响强弱发生了改变。
问题是如何才能准确的找到这个或这几个断点？目前的方法是找残差扩大超出边线的那个点，但这是不准确的，在demo中1975Q2的残差超出，但是chow's breakpoint检验的两个p值都接近0.2，1976Q3开始两个p值才小于0.05，并且有逐渐减小之势。
chow's forecast检验
用断点隔断样本，用之前的样本建立回归模型，然后用这个模型对后一段进行预测，检验这个模型对后续样本的拟合程度。
0假设是：模型与后段样本无显著差异
demo中的1976Q4作为break point,得到两个p值为0，即认为两段样本的系数应该是不同的。
结果
[code]
Chow Forecast Test: Forecast from 1976Q4 to 1996Q4

F-statistic 58.75106 Prob. F(81,96) 0.000000
Log likelihood ratio 706.2089 Prob. Chi-Square(81) 0.000000

Test Equation:
Dependent Variable: M1
Method: Least Squares
Date: 12/28/07 Time: 14:49
Sample: 1952Q1 1976Q3
Included observations: 99

Variable Coefficient Std. Error t-Statistic Prob.

C 79.48708 9.548572 8.324499 0.0000
PR -61.77553 67.08647 -0.920834 0.3594
GDP 0.640974 0.043420 14.76210 0.0000

R-squared 0.993132 Mean dependent var 191.2278
Adjusted R-squared 0.992989 S.D. dependent var 61.36912
S.E. of regression 5.138545 Akaike info criterion 6.141251
Sum squared resid 2534.846 Schwarz criterion 6.219891
Log likelihood -300.9919 F-statistic 6941.009
Durbin-Watson stat 0.377960 Prob(F-statistic) 0.000000

[/code]
但是其中PR的系数的p值为0.3594,说明PR系数估计有问题，在这种情况下，chow's forecast test还有效吗？
将breakpoint调整到1975Q1，PR的p值减小到0.0471，这时候可以认为PR系数有效，但是chow's breakpoint test的两个p值已经>0.2。两个检验无法兼得。
对断点的寻找完全靠人工，有些不太妥当