chosen model is a fair representati

chosen model is a fair representation of reality. By the same token, if the
results do not look encouraging because the ¯R2 value is too low or because
very few coefficients are statistically significant or have the correct signs or
because the Durbin–Watson d is too low, then we begin to worry about
model adequacy and look for remedies: Maybe we have omitted an important
variable, or have used the wrong functional form, or have not firstdifferenced
the time series (to remove serial correlation), and so on. To aid
us in determining whether model inadequacy is on account of one or more
of these problems, we can use some of the following methods.
Examination of Residuals. As noted in Chapter 12, examination of
the residuals is a good visual diagnostic to detect autocorrelation or heteroscedasticity.
But these residuals can also be examined, especially in crosssectional
data, for model specification errors, such as omission of an important
variable or incorrect functional form. If in fact there are such errors, a
plot of the residuals will exhibit distinct patterns.
To illustrate, let us reconsider the cubic total cost of production function
first considered in Chapter 7. Assume that the true total cost function is described
as follows, where Y = total cost and X = output:

Kết quả (Việt) 1:

Mô hình được lựa chọn là một đại diện công bằng của thực tế. Bởi cùng một mã thông báo, nếu cáckết quả đáng khích lệ trông không vì giá trị của ¯R2 là quá thấp hoặcHệ số rất ít có ý nghĩa thống kê hoặc có dấu hiệu chính xác hoặcvì d Durbin – Watson là quá thấp, sau đó chúng tôi bắt đầu lo lắng vềMô hình tính đầy đủ và tìm kiếm các biện pháp khắc phục: có lẽ chúng tôi đã bỏ qua một điều quan trọngbiến, hoặc đã sử dụng các hình thức chức năng sai, hoặc đã không firstdifferenceddòng thời gian (để loại bỏ serial correlation), và như vậy trên. Để hỗ trợchúng tôi để xác định liệu mô hình thiếu là dựa vào một hoặc nhiềunhững vấn đề này, chúng tôi có thể sử dụng một số phương pháp sau đây.Kiểm tra số dư. Như lưu ý ở chương 12, kiểm traCác dư là một chẩn đoán hình ảnh tốt để phát hiện các autocorrelation hoặc heteroscedasticity.Nhưng những dư có thể cũng được kiểm tra, đặc biệt là trong crosssectionaldữ liệu, mô hình đặc tả lỗi, chẳng hạn như bỏ sót một thông tin quan trọnghình thức chức năng thay đổi hoặc không chính xác. Nếu trong thực tế có những lỗi như vậy, mộtcốt truyện của các dư sẽ triển lãm mô hình riêng biệt.Để minh họa, chúng ta hãy xem xét lại khối tổng chi phí sản xuất hàmlần đầu tiên xem xét trong chương 7. Giả sử rằng đúng tổng chi phí chức năng được mô tảnhư sau, nơi Y = tổng chi phí và X = đầu ra:

Kết quả (Việt) 2:

mô hình được lựa chọn là đại diện trung thực. Tương tự như vậy, nếu
kết quả không nhìn khuyến khích bởi vì giá trị R2 là quá thấp hay vì
rất ít hệ số có ý nghĩa thống kê hoặc có những dấu hiệu chính xác hoặc
vì Durbin-Watson d là quá thấp, sau đó chúng tôi bắt đầu lo lắng về
đầy đủ mô hình và tìm kiếm biện pháp khắc phục: có lẽ chúng ta đã bỏ qua một điều quan trọng
biến, hoặc đã sử dụng các hình thức chức năng sai, hoặc chưa firstdifferenced
chuỗi thời gian (để loại bỏ mối liên hệ nối tiếp), và như vậy. Để hỗ trợ
chúng tôi trong việc xác định mô hình không tương xứng là trên tài khoản của một hoặc nhiều
những vấn đề này, chúng ta có thể sử dụng một số phương pháp sau đây.
Kiểm tra Dư. Như đã nêu trong Chương 12, kiểm tra của
các số dư là tốt hình ảnh chẩn đoán để phát hiện tự tương quan hay các biến ngẫu nhiên.
Nhưng những dư cũng có thể được kiểm tra, đặc biệt là trong crosssectional
dữ liệu, lỗi mô hình đặc điểm kỹ thuật, chẳng hạn như thiếu sót của một quan trọng
hình thức chức năng biến hoặc không chính xác . Nếu trong thực tế có những sai sót như vậy, một
âm mưu của các số dư sẽ triển lãm các mô hình khác nhau.
Để minh họa, chúng ta hãy xem xét lại tổng chi phí khối chức năng sản xuất
đầu tiên xem xét trong Chương 7. Giả sử rằng tổng chi phí chức năng thật sự được mô tả
như sau, nơi Y = tổng chi phí và X = sản lượng: