第二章多元线性回归模型.pptVIP

01-2-28 Hebei University of Technology 第三章 多元线性回归模型 第一节 多元线性回归模型 第二节 参数的最小二乘估计 第二节 参数最小二乘估计量的统计性质 第三节 回归方程的显著性检验 第四节 回归系数的显著性的检验 第五节 利用多元回归模型进行预测 第一节 多元线性回归模型 一、基本概念 二、经典线性回归模型的基本假定 基本概念 现实生活中引起被解释变量变化的因素并非仅只一个解释变量，可能有很多个解释变量。例如，产出往往受各种投入要素——资本、劳动、技术等的影响；销售额往往受价格和公司对广告费的投入的影响等。 所以在一元线性模型的基础上，提出多元线性模型——解释变量个数=2 总体回归方程 样本回归模型 样本回归方程 经典线性回归模型的基本假定 （1） 或随机干扰项的数学期望为0。 （2） 或随机干扰项的方差相等——同方差性。 （3） （i=1，2，…，n）或随机干扰项之间不相关——无自相关性 （4） （i=1，2，…，n）或解释变量与随机干扰项不相关。 （5）Rank(X)=k+1或解释变量之间不存在线性关系——无多重共线性。 （6）随机误差项服从正态分布，即 （i=1，2，…，n）。 第二节 参数的最小二乘估计 一、回归参数的最小二乘估计 二、随机误差项的方差 的无偏估计量 二、随机误差项的方差的无偏估计量 三、样本容量问题 最小样本容量 满足基本要求的样本容量 四、偏回归系数的含义 多元线性回归模型中的系数称为偏回归系数，其含义为：当其他解释变量不变时，对应的解释变量发生单位变化时，被解释变量的变化量。 高斯—马尔可夫定理：在给定经典线性回归模型的假定下，最小二乘估计量在各种线性无偏估计量中，具有最小方差性，也就是说，最小二乘估计量是的最优线性无偏估计量（BLUE）。 比高斯—马尔可夫定理更强的定理是 Rao—Blackwell定理：In the classical regression model with normal distribution disturbance, the least squares estimator has the minimum variance of all unbiased estimators。 第四节 回归方程的显著性检验 总离差平方和分解 拟和优度 总离差平方和分解 拟和优度 第六节 利用多元回归模型进行预测 第七节 多元线性回归模型分析案例 一、建立中国消费模型。 二、收集数据 三、参数估计 四、模型检验 五、模型应用——预测 建立中国消费模型 根据消费模型的一般形式，选择消费总额为被解释变量，国内生产总值和前一年的消费总额为解释变量，变量之间关系为简单线性关系。 收集数据 选取1981年至1996年统计数据为样本观测值。样本观测值列于表中。 中国消费数据表 单位：亿元 参数估计 模型检验 经济学检验 两个解释变量前的参数估计值分别为0.4809和0.1985，都为正数，且都处于0与1之间，常数项的估计值也为正，这些参数估计值的经济含义是合理的。 统计检验 参数显著性检验 对应的p值为0.0000，参数统计上显著。 对应的p值为0.0011，参数统计上显著。 对应的p值为0.0000，参数统计上显著。 方程整体显著性检验 p值为0.0000，方程整体统计上显著。 模型应用——预测 F检验统计量的构造 F检验的步骤 （1）提出假设H0: （2）适合的检验统计量 （3）根据冒险率?，确定临界值F? （4）将计算出的F与临界值F?比较 （5）下结论：若F临界值F?，则拒绝H0；若F=临界值F?，则不拒绝H0 1-? F? F f(F) ? F检验的拒绝域 第五节 回归系数的显著性的检验 1、提出假设 H0和 HA 2、收集数据估计出系数 3、计算出 ?2 的估计量 4、 计算检验统计量t（ 代入假设 H0） 5、 根据显著水平 ? ，查出临界值 t?/2 6、 作出统计推断：如果 tt ?， 拒绝H0； 否则不拒绝H0。t 的绝对值越大，自变量对因变量的作用越显著。 t检验的步骤 不拒绝H0区域 t f(t) 拒绝域 拒绝域 t检验的拒绝域 例2： X1 -7.188245 2.555331 -2.813039 0.0260 X2 0.014297 0.011135 1.284007 0.2400 C 111.6