计量经济学-复习 第二章一元线性回归模型.ppt

第二章 经典单方程计量经济学模型：一元线性回归模型 §2.1回归分析概述 §2.2一元线性回归模型的参数估计 §2.3一元线性回归模型检验 §2.4一元线性回归模型预测 §2.5实例 §2.1 回归分析概述 一、变量间的关系及回归分析的基本概念 二、总体回归函数（PRF） 三、随机扰动项（随机干扰项） 四、样本回归函数（SRF） 相关关系(correlation) 变量间关系不能用函数关系精确表达 一个变量的取值不能由另一个变量唯一确定 当变量 x 取某个值时，变量 y 的取值可能有几个 如果是线性的，则各观测点分布在直线周围 散点图(scatter diagram) 相关系数(correlation coefficient) 相关分析就是对两个变量之间线性关系的描述与度量 若相关系数是根据总体全部数据计算的，称为总体相关系数（?） 若是根据样本数据计算的，则称为样本相关系数（ r） 相关系数 (计算公式) ? 样本相关系数的计算公式 相关系数(取值及其意义) r 的取值范围是 [-1,1] r =1，为完全正相关 r =-1，为完全负相关 r = 0，不存在线性相关关系 |r|越趋于1表示线性关系越密切； |r|越趋于0表示线性关系越不密切 回归的现代释义 回归分析是关于研究一个因变量对另一个或多个解释变量的依赖关系，其用意在于通过后者（在重复抽样中）的已知或设定值，去估计或预测前者的（总体）均值。 “回归分析”的相关知识点 总体回归函数、总体回归线、总体回归模型 随机误差项 样本回归函数、样本回归直线 回归模型中的参数估计（假设条件与最小二乘法） 参数估计量的概率分布 回归模型中参数的置信区间估计 回归模型中对参数的显著性检验（假设检验） 样本回归线对样本点的拟合情况（拟合优度） 利用样本回归模型进行预测 总体回归线 在给定解释变量Xi条件下被解释变量Yi的期望轨迹称为总体回归线。或更一般地称为总体回归曲线。 总体回归函数的概念 除了X会影响Y之外，还有很多因素会影响Y，所以一个更符合实际的数学描述为： Y = ? + ?X+? 其中： ? 是一个随机误差项，是其他影响因素的“综合体”，是不可控的。 这个式子由于引进了随机误差项，成为计量经济学模型，所以被称为总体回归模型。 随机误差项 该偏差称为观察值围绕它的期望值的离差（deviation），是一个不可观测的随机变量，称为随机误差项（stochastic error）。 样本回归函数（SRF） 例2.2：在例2.1的总体中有如下一个样本，能否从该样本估计总体回归函数PRF？ 该样本的散点图（scatter diagram)： 画一条直线以尽好地拟合该散点图，由于样本取自总体，以该直线近似地代表总体回归线。该直线称为样本回归线（sample regression lines，SRF）。 回归分析的主要目的 估计方法有多种，其中最广泛使用的是普通最小二乘法（ordinary least squares, OLS）。 为保证参数估计量具有良好的性质，通常对模型提出若干基本假设。实际这些假设与所采用的估计方法紧密相关，如果实际模型不满足这些基本假设，普通最小二乘法就不再适用，而要发展其它方法来估计模型。 假设3. 随机误差项?与解释变量X之间不相关： 假设4. ?服从零均值、同方差、零协方差的正态分布 以上假设也称为线性回归模型的经典假设或高斯（Gauss）假设，满足该假设的线性回归模型，也称为经典线性回归模型（Classical Linear Regression Model, CLRM）。 重要提示 几乎没有哪个实际问题能够同时满足所有基本假设。但是通过模型理论方法的发展，可以克服违背基本假设带来的问题； 违背基本假设问题的处理构成了单方程线性计量经济学理论方法的主要内容： 异方差问题（违背同方差假设） 序列相关问题（违背序列不相关假设） 多重共线性问题（违背解释变量不相关假设） 随机解释变量（违背解释变量确定性假设） 参数的普通最小二乘估计（OLS） 1、参数估计的基本思路 2、最小二乘法 1、参数估计的基本思路 参数估计的含义：求Y= ? 0+?1 X +μ 中 ? 0、?1的近似值 基本思路：用拟合样本趋势的方法，找出样本回归直线，拟合、近似总体回归直线（期望直线），得到参数近似值，并以拟合程度作为选择回归直线、判断参数估计好坏的标准。 2、普通最小二乘法 普通最小二乘法（Ordinar