单一方程回归模型.ppt

第1篇 单一方程回归模型 第一章 回归分析的性质 一、回归分析的基本概念 1、“回归”名称的由来 “回归”名称和回归分析的思想来源于美国经济学家F.Galton和他的朋友K.Pearson对于父母身高与子女身高关系问题的研究。 “回归”的名称当时描述了父辈身高x与子辈身高y的关系。现代人们借用这个名词把研究变量x与y之间统计关系称为“回归”分析。 2、变量间的关系 经济变量之间的关系，大体可分为两类： 例如： 函数关系： 相关关系 ◆相关关系的类型 ●???? 从变量相关关系的表现形式看 线性相关——散布图接近一条直线； 非线性相关——散布图接近一条曲线； ●???? 从变量相关关系变化的方向看 正相关——变量同方向变化，同增同减； 负相关——变量反方向变化，一增一减； 不相关 相关程度的度量—相关系数 X和Y的总体线性相关系数： 其中： Var(X)-----X 的方差 Var(Y)-----Y的方差 Cov（X，Y）-----X和Y的协方差 ?X和Y的样本线性相关系数： 其中： 和 分别是变量X和Y的样本观测值， 和 分别是变量 X 和Y 样本值的平均值 回归分析 回归的古典意义： 高尔顿的回归概念 ( 父母身高与子女身高的关系) 回归的现代意义： 一个应变量对若干解释变量依存关系 的研究 回归的目的（实质）： 由固定的解释变量去估计应变量的平均值 ▲注意： 样本数据收集 (1) 什么是数据 (3) 数据来源： 政府机构； 私有组织（如标准普尔公司）； 个人收集。 （4）数据的质量： 完整性； 准确性； 可比性； 一致性 第二章 双变量回归分析： 一些基本概念 一、回归分析的基本概念 回归分析(regression analysis)是研究一个变量关于另一个（些）变量的具体依赖关系。 其用意：在于通过后者的已知或设定值，去估计和（或）预测前者的（总体）均值。 这里：前一个变量被称为被解释变量（Explained Variable）或因变量（Dependent Variable），后一个（些）变量被称为解释变量（Explanatory Variable）或自变量（Independent Variable）。 注意几个概念 二、总体回归函数 由于变量间关系的随机性，回归分析关心的是根据解释变量的已知或给定值，考察被解释变量的总体均值，即当解释变量取某个确定值时，与之统计相关的被解释变量所有可能出现的对应值的平均值。 分析： 描出散点图发现：随着收入的增加，消费“平均地说”也在增加，且Y的条件均值均落在一根正斜率的直线上。这条直线称为总体回归线。 概念： 线性的含义 线性的含义有两种解释: 1、对变量为线性 如： 2、对参数为线性 如： 注意：我们主要考虑参数是线性的情形 含义： 三、随机扰动项 总体回归函数说明在给定的收入水平Xi下，该社区家庭平均的消费支出水平。 但对某一个别的家庭，其消费支出可能与该平均水平有偏差。 例2.1中，个别家庭的消费支出为： 注意: 可得: 如果 那么 后者的优点:不仅表明收入,还说明了影响消费支出的其他变量 随机误差项主要包括下列因素的影响： 四、样本回归函数（SRF） 总体的信息往往无法掌握，现实的情况只能是在一次观测中得到总体的一个样本。 该样本的散点图（scatter diagram)： SRF的特点 注意： 样本回归函数的随机形式/样本回归模型： ▼回归分析的主要目的：根据样本回归函数SRF，估计总体回归函数PRF。 一个说明性的例子(见