计量经济学（武汉大学，彭红枫）3.pptVIP

7/12/2003 Hongfeng Peng Department of Finance, Wuhan University Chapter 3 双变量回归：估计问题 主讲：彭红枫 武汉大学经济与管理学院金融系 Copyright?Hongfeng Peng 2006 Wuhan University 回顾回归分析的主要目的 根据SRF去估计PRF 3.1 OLS 在回归分析中,有多种构造SRF的方法,而最广泛使用的是OLS方法(method of ordinary least squares) SRF又是怎样决定的呢? 即为实际值与估计值之差。 对于给定的Y和X的n对观测值，我们希望这样决定SRF，使得它尽可能靠近实际的Y。 为达到此目的，我们可以采用如下准则 可采用的准则 准则一： 可采用的准则 准则二（最小二乘准则） 因为 故只需对 求导，并令其等于零，便可解出 。 最小二乘法的数学原理 将所有纵向距离平方后相加，即得误差平方和，“最好”直线就是使误差平方和最小的直线，即拟合直线在总体上最接近实际观测点。 于是可以运用求极值的原理，将求最好拟合直线问题转换为求误差平方和最小的问题。 求 解 正规方程 方程的解 正规方程的矩阵表示 OLS估计量的性质 1、易计算性。OLS估计量是纯粹由可观测的(即样本)量表达的，因此这些量是容易计算的。 2、这些量是点估计量。即对于给定的样本，每一估计量仅提供有关总体参数的一个(点)值 3、一旦从样本数据得到OLS估计值，便容易画出样本回归线(图3.1)。该回归线有如下性质： 它通过Y和X的样本均值； 估计的Y均值等于实测的Y均值； 残差估计量的均值为0； 残差估计量和预测的Y值不相关； 残差估计量和X不相关。 3.2 经典线性回归模型：OLS的基本假定 如果我们的目的仅仅是贝塔估计系数，则第一节所用的方法就足够了，但我们的目的不仅仅是获得贝塔系数，而且要对真实的贝塔系数作出推断。 基于此，对解释变量和误差作出假定是必要的。 经典线性回归模型（CLRM） CLRM的假定 假定1：线性回归模型 模型对参数是线性的 假定2： X是非随机的 在重复抽样中，X值是固定的 假定3：干扰项的均值为零。 干扰项的均值为零 CLRM的假定 假定4：同方差性 异方差性 CLRM的假定 假定5：干扰项无序列相关 假定6：u和X的协方差为零 CLRM的假定 假定7：观测次数n必须大于待估参数的个数 假定8：X 的值要有变异性 假定9：正确地设定了模型 假定10：无多重共线性 解释变量之间没有完全的线性关系。 CLRM可信吗？ 计量经济学中的CLRM相当于微观经济学中的完全竞争模型。 3.3 OLS 估计的精度 OLS估计量随样本的变动而变动。 的估计 3.4 高斯-马尔可夫定理 高斯-马尔可夫定理： 在给定经典线性回归模型的假定下，OLS估计量，在无偏线性估计量中，有最小方差，即OLS估计量是最优线性无偏估计量（BLUE）。 BLUE 1、线性 2、无偏性 3、有效性（最小方差） 1、线性 线性指的是参数估计量是被解释变量的线性函数。 回归系数的估计量=正规方程的解 从解的解析式，不难看出回归系数的估计量是被解释变量的线性组合。 2、无偏性 无偏性指的是参数估计量的均值（数学期望）等于被估计的真值（模型中的参数） 3、有效性（最小方差） 有效性指的是：最小方差 3.5 拟合优度度量：判定系数r2 拟合优度是指样本回归线与样本观测值之间的拟合程度。 r2与相关系数r不同: 在回归分析中，r2是一个比r更有意义的度量，因为前者告诉我们在因变量的变异中解释变量解释的那个部分所占的比例，即一个变量的变异在多大程度上决定另一个变量的变异， r2为其提供了一个总的度量。 平方和分解 平方和分解 TSS=ESS+RSS 判定系数 判定系数r2测度了在Y的总变异中由回归模型解释的那部分所占的比例。 习题 P77 3.19、3.22、 3.26 * * * * *