线性回归问题与非线性回归分析 - 副本.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * （2）线性化涉及参数 （3）不可线性化模型 表3.10中的模型有三个待估计的参数，这些参数的任何一个均无法事先通过经验或历史数据得到时，不能将其线性化。 表3.10 一些不能线性化的模型 3.2.2 非线性最小二乘法 乘性误差形式： 加性误差形式： 如果采用乘性误差形式，则可按可线性化处理，如果采用加性误差形式，则无法线性化，只能用非线性最小二乘法来估计，这会导致处理结果与线性模型处理结果存在差异。 用非线性最小二乘法参数估计操作与普通最小二乘法基本相同，只是在方程估计窗口或命令行中，模型必须以方程式的形式出现，没有简化形式。如方程式为： ls y=c(1)*k^c(2)*l^c(3) 在较为复杂的情况下，非线性最小二乘法无法求出精确解，需要采用迭代法。  3.2.3 应用实例例3.6（表3.11） 表3. 1 是某企业16个月的某产品产量和单位成本资料，研究二者关系 ……… 为了明确产量和单机成本是何种关系，先绘制散点图如图3.3所示 选择双曲线模型 第一种方式：对线性化模型实施线性最小二乘估计 命令： Series x1=1/x Ls y c x1 还可以： ls y c @inv(x) ls y c 1/x 第二种方式：直接对原模型实施非线性最小二乘估计 命令： ls y=c(1)+c(2)/x 例3.7（表3.13） 乘性误差形式： 加性误差形式： ls log(y) c log(k) log(l) 线性化方法 ls y=c(1)*k^c(2)*l^c(3) 非线性化方法 两者本质上是两个模型 此外，两者模型中L的回归系数均未通过显著性检验。 因为L、K两者相关系数太大，两者存在非常强的共线性。 例3.7 在实践中，常用 来简化这个模型，如果满足这个条件，则CD函数变为： 模型简化为： 是人均产量， 是人均资本投入 例3.7（表3.13） 问题是这个条件 是否成立？ 要进行Wald检验。 原假设：c(2)+c(3)=1,即ａ＋β＝1 在模型log(y)= c(1)+c(2)*log(k)+ c(3)*log(l)的基础上检验。 View/Coefficient Test/Wald 输入c(2)+c(3)=1 由此可知，在0.05的显著性水平下，F统计量不能拒绝原假设，卡方统计量的收尾概率也近似0.05。因此约束条件基本可以接受。 例3.7 估计方程 线性化后参数估计 ls log(y/l) c log(k/l) 非线性化最小二乘估计 ls y/l=c(1)*(k/l)^c(2) 估计结果差不多，线性化模型略好，采用这个模型 还原后为： Scalar co=exp(-0.69388) 不可线性化模型 名称 模型 Logistic Compertz Weibull yt=k/(1+ae-bt) yt=kabt yt=k-abtc t、c均为上上标 例：设消费函数为非线性形式： 其 中：cst 是实际居民消费，inct 是实际可支配收入。利用1959年第一季度（1959Q1）至1979第四季度（1979Q4）的人均消费支出（cs)和人均可支配收入（inc）共84个观察值数据估计此非线性方程。 由于用迭代法计算，首先要赋初值，比如可以设?3的估计值b3初值是1，则可以利用OLS估计值，然后，非线性方程估计。 3.2.4 确定非线性模型形式的方法和模型的比较 非线性模型的形式复杂多样，如何根据实际的数据选择合适的模型，是建模的关键。总的说来可参考下面的.方法: 1.根据散点图来确定类型。确定类型一般是把样本观测位画成散点图，由散点图的形状来大体确定模型类型。 2.根据一定的经济知识背景。如商品的销售量与广告费用之间的关系，一般用S型曲线来描述，这足由于广告费用只有在一定范围内.才会对销售量有明显的影响。 有时对一个问题需要用不同的模型来拟合，以找到效果最好的一个。需要对它们进行比较。首先应从经济学角度考虑，因为数据分析的目的是解释经济现象，所以