计量经济学Econometrics-2.3一元线性回归.ppt

于是得到:(1-?)的置信度下, ?i的置信区间是 在上述收入-消费支出例中，如果给定? =0.01，查表得： 由于 于是，?1、?0的置信区间分别为： （0.6345,0.9195) （-433.32,226.98） 由于置信区间一定程度地给出了样本参数估计值与总体参数真值的“接近”程度，因此置信区间越小越好。 要缩小置信区间，需 （1）增大样本容量n，因为在同样的置信水平下，n越大，t分布表中的临界值越小；同时，增大样本容量，还可使样本参数估计量的标准差减小； （2）提高模型的拟合优度，因为样本参数估计量的标准差与残差平方和呈正比，模型拟合优度越高，残差平方和应越小。 §2.3 一元线性回归模型的统计检验 一、拟合优度检验 二、变量的显著性检验 三、参数的置信区间 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 拟合优度检验（Goodness of Fit）：对样本回归直线与样本观测值之间拟合程度的检验。 度量拟合优度的指标：判定系数（可决系数-coefficient of determination）R2 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？ OLS是对不同的直线而言。如果采用不同的解释变量来解释被解释变量，可能有的解释好点，有点解释差点。相当于模型的选择方法。 1、总离差平方和的分解 已知由一组样本观测值（Xi,Yi），i=1,2…,n得到如下样本回归直线 没有解释的部分 被解释了的部分 如果Yi=?i 即实际观测值落在样本回归“线”上，则拟合最好。 可认为，“离差”全部来自回归线，而与“残差”无关。 对于所有样本点，则需考虑这些点与样本均值离差的平方和,可以证明： 记 总体平方和（Total Sum of Squares） 回归平方和（Explained Sum of Squares） 残差平方和（Residual Sum of Squares ） TSS=ESS+RSS Y的观测值围绕其均值的总离差(total variation)可分解为两部分：一部分来自回归线(ESS)，另一部分则来自随机势力(RSS)。 在给定样本中，TSS不变， 如果实际观测点离样本回归线越近，则ESS在TSS中占的比重越大，因此 拟合优度：回归平方和ESS/Y的总离差TSS 2、可决系数R2统计量 称 R2 为（样本）可决系数/判定系数（coefficient of determination)。 可决系数的取值范围：[0，1] R2越接近1，说明实际观测点离样本线越近，拟合优度越高。 直观上，若y对其均值的离差中由x对其离差所解释的部分大于由残差所解释的部分，则回归显得拟合得较好！ 在例2.1.1的收入-消费支出例中， 注：可决系数是一个非负的统计量。它也是随着抽样的不同而不同。为此，对可决系数的统计可靠性也应进行检验，这将在第3章中进行。但是实际计算有可能为负值，这是由于计算的问题，通常要求有常数项，可以保证非负！ 可决系数为负的原因 见Green（2004，p240）. The proof of that R20 require X to contain a column of 1s.If not, then () ESS = explained sum of squares = TSS - RSS and TSS = total sum of squares = sum of (y - ybar)2 and RSS = residual (error) sum of squares = sum of (y -Xb)2 On your output ESS is negative, so R2 would be negative. ESS is negative because RSS is greater than TSS. RSS is greater than TSS because ybar is a better predictor o