第二章.经典单方程计量经济学模型：一元线性回归模型.ppt

为什么要引入随机扰动项 模型中引入反映不确定因素影响的随机扰动项μ的目的在于使模型更符合客观经济活动实际。 干扰项是从模型中省略下来而又集体地影响着Y地全部变量地替代物 简单线性需求函数——不可能包罗万象地引入全部影响变量 我们以最简单的线性需求函数为例进行分析。 Qd=b0+b1X1 理论分析和实践经验表明，某种商品需求量不仅趋近于价格，而且趋近于替代商品的价格X2，消费者收入X3和消费者偏好X4等等。将所有对需求量有影响的个变量引入方程： Qd=b0+b1X1+b2X2+b3X3+b4X4+?+bkXk 即使如此也还可能有其他次要因素影响需求量，譬如社会风尚，心理变化甚至天气等等。总之，不可能巨细无遗地全部都引入。 次要因素的综合效应是不能忽视的 未引入的这些随机变量有的可以度量，有些不可以度量，在实际观测中，有时发生影响有时又不发生影响，记为随机变量Zi（i=1,2,…,m）。 从个别意义上，这些次要因素可能是不重要的，但所有这些的综合效应是不能忽视的。否则，模型将与实际不符。于是将它们也引入模型。 必须另外寻找解决问题的思路 全部变量引入显然是不必要的。计量经济学将这些或者次要，或者偶然的，或者不可测度的变量用一个随机扰动项μ来概括，需求函数： 这是一个随机方程。μ是随机变量Zj的线性组合，也是一个随机变量。它代表所有未列入模型的那些次要因素的综合影响。 由中心极限定理μ服从正态分布 进一步分析μ相当于诸随机变量Zj的均值 因此，由中心极限定理，无论Zj原来的分布形式如何，只要它们相互独立，m足够大，就会有μ趋于正态分布。 而且正态分布简单易用，且数理统计学中研究的成果很多，可以借鉴。 §2.6 实例及时间序列问题 说明 本节列举了两个一元线性回归模型实例，完成了建立模型、估计参数、统计检验和预测的过程。 适合于课堂演示或者由学生在计算机上完成。 从理论上讲，经典线性回归模型理论是以随机抽样的截面数据或者平稳的时间序列数据为基础的。对于非平稳时间序列数据，存在理论方法方面的障碍。如何处理？本书第8章将专门讨论。在2—7章中大量采用非平稳时间序列数据作为实例，暂时不考虑理论方法方面的障碍。 1、总体均值预测值的置信区间 于是，在1-?的置信度下，总体均值E(Y|X0)的置信区间为 2、总体个值预测值的预测区间 从而在1-?的置信度下，Y0的置信区间为 3、例题—收入-消费支出 样本回归函数为 则在 X0=1000处，?0 = 142.4+0.670×1000=812.4 因此，总体均值E(Y|X=1000)的95%的置信区间为： （ 812.4－2.306?27.6，812.4+2.306?27.6） （748.8, 875.9） 同样地，对于Y在X=1000的个体值，其95%的置信区间为： （812.4 - 2.306?59.1，812.4 + 2.306?59.1） (676.1, 948.7) 四、参数估计量的概率分布及随机干扰项方差的估计 1、参数估计量的概率分布 2、随机误差项?的方差?2的估计 ?2又称为总体方差。 由于随机项?i不可观测，只能从?i的估计——残差ei出发，对总体方差进行估计。 可以证明，?2的最小二乘估计量为： 它是关于?2的无偏估计量。 在最大或然估计法中，求解似然方程： ?2的最大或然估计量不具无偏性，但却具有一致性。 §2.4 一元线性回归模型的统计检验Statistical Test of Simple Linear Regression Model 一、拟合优度检验 二、变量的显著性检验 三、参数的置信区间 说 明 回归分析是要通过样本所估计的参数来代替总体的真实参数，或者说是用样本回归线代替总体回归线。 尽管从统计性质上已知，如果有足够多的重复 抽样，参数的估计值的期望（均值）就等于其总体的参数真值，但在一次抽样中，估计值不一定就等于该真值。 那么，在一次抽样中，参数的估计值与真值的差异有多大，是否显著，这就需要进一步进行统计检验。 主要包括拟合优度检验、变量的显著性检验及参数的区间估计。 一、拟合优度检验Goodness of Fit, Coefficient of Determination 1、回答一个问题 拟合优度检验：对样本回归直线与样本观测值之间拟合程度的检验。 问题：采用普通最小二乘估计方法，已经保证了模型最好地拟合了样本观测值，为什么还要检验拟合程度？ 2、总离差平方和的分解 Y的i个观测值与样本均值的离差 由回归直线解释的部分 回归直