第2章_一些基本概念.pptVIP

第二章 回归分析的一些基本概念 2.1条件概率与条件期望 条件概率：p(Y=Yj|X=Xi)=p 条件期望：E（Y|X=Xi） 总体回归曲线就是解释变量取给定值时应变量的条件均值或期望值的轨迹。 一个例子 X，每周家庭收（美元） X Y 80 100 120 140 160 180 200 220 240 260 每周家庭消费支出 55 65 79 80 102 110 120 135 137 150 60 70 84 93 107 115 136 137 145 152 65 74 90 95 110 120 140 140 155 175 70 80 94 103 116 130 144 152 165 178 75 85 98 108 118 135 145 157 175 180 — 88 — 113 125 140 — 160 189 185 — — — 115 — — — 162 — 191 65 77 89 101 113 125 137 149 161 173 合计 325 462 445 707 678 750 685 1043 966 1211 总体回归线 100 160 260 173 113 77 每周消费支出（美元） 每周收入（美元） X Y 2.2总体回归函数（Population Regression Function）的概念 每一条件值E（Y|Xi）都是Xi的一个函数，即： 注意总体二字。回归系数 对于线性的回归方程 2.3“线性”的含义 对变量为线性 Y的条件期望值是Xi的线性函数，即 E（Y|Xi）=?1+?2Xi 对参数为线性 “线性”回归一词总是指对参数?为线性的一种回归；对解释变量X则可以是或不是线性的。（与以往的线性概念有所不同） 2.4PRF的随机设定 给定收入水平Xi的个别家庭的消费支出聚集在收入为Xi的所有家庭的平均消费支出的周围，也就是围绕着它的条件均值。可以把个别的Yi围绕它的期望的离差表述如下： 2.5随机干扰项的意义 什么是随机干扰？ 干扰项是从模型中省略掉的而又集体地影响着Y的全部变量的替代物。 干扰项产生的来源是多方面的： 理论的含糊：除了主变量之外，还有其它变量的影响，但不清楚，无法进入模型。 数据的不充分：可能知道被忽略的变量，但不能得到这些变量的数量信息。 核心变量与其它变量：其它变量全部或其中一些合起来影响还是很小的。 人类行为的内在随机性 替代变量不好：测量误差 节省原则：为了保持一个尽可能简单的回归模型 错误的函数形式：有时根据数据及经验无法确定一个正确的函数形式 2.6样本回归函数（SRF） 总体与样本 总体特征值是一常数称为参数 样本特征值是一变数称为估计量或统计量 样本回归与总体回归的比较 Xt X A Y Yt 每周消费支出（美元） 每周收入（美元） 样本与总体回归线的比较 2.7讨论问题 参数与估计量之间的关系 参数是已知的还是未知的？一般而言参数可知吗？ 全国人口普查得到的中国人口有关数据的特征值是统计量还是参数？ * * * * * * * * * * * * * * * * * * * * * * * *