第2章⑵一元线性回归分析.pptVIP

一、线性回归模型及其普遍性 1、线性回归模型的特征 一个例子 凯恩斯绝对收入假设消费理论：消费（C）是由收入（Y）唯一决定的，是收入的线性函数： C = ? + ?Y (2.2.1) 但实际上上述等式不能准确实现。 原因 ⑴消费除受收入影响外，还受其他因素的影响； ⑵线性关系只是一个近似描述； ⑶收入变量观测值的近似性：收入数据本身并不绝对准确地反映收入水平。 因此，一个更符合实际的数学描述为： C = ? + ?Y+? (2.2.2) 其中： ? 是一个随机误差项，是其他影响因素的“综合体”。 线性回归模型的特征： ⑴ 通过引入随机误差项，将变量之间的关系用一个线性随机方程来描述，并用随机数学的方法来估计方程中的参数； ⑵ 在线性回归模型中，被解释变量的特征由解释变量与随机误差项共同决定。 将非线性关系化为线性关系的常用的数学处理方法 ⑴变量置换 例如，描述税收与税率关系的拉弗曲线：抛物线 s = a + b r + c r2 c0 s：税收； r：税率 设X1 = r，X2 = r2， 则原方程变换为 s = a + b X1 + c X2 c0 变量置换仅用于变量非线性的情况。 ⑵ 函数变换 例如，Cobb-Dauglas生产函数：幂函数 Q = AK?L? Q：产出量，K：投入的资本；L：投入的劳动 (3)级数展开 例如，不变替代弹性CES生产函数： 方程两边取对数后，得到： 对 在ρ=0处展开台劳级数，取关于ρ的线性项，即得到一个线性近似式。 变量置换得到 结论： 实际经济活动中的许多问题，都可以最终化为线性问题，所以，线性回归模型有其普遍意义。 即使对于无法采取任何变换方法使之变成线性的非线性模型，目前使用得较多的参数估计方法——非线性最小二乘法，其原理仍然是以线性估计方法为基础。 线性模型理论方法在计量经济学模型理论方法的基础。 二、线性回归模型的基本假设 1、技术线路 由于回归分析的主要目的是要通过样本回归函数（模型）SRF尽可能准确地估计总体回归函数（模型）PRF。即通过 估计 采用普通最小二乘或者普通最大似然方法估计。 需要对解释变量和随机项作出假设。 2、线性回归模型在上述意义上的基本假设 （1）解释变量X是确定性变量，不是随机变量；解释变量之间互不相关。 （2）随机误差项具有０均值和同方差: E(?i)=0 i=1,2, …,n Var (?i)=??2 i=1,2, …,n （3）随机误差项在不同样本点之间是独立的，不存在序列相关： Cov(?i, ?j)=0 i≠j i,j= 1,2, …,n （5）随机误差项服从０均值、同方差的正态分布： ?i~N(0, ??2 ) i=1,2, …,n 注意： 如果第(1)条假设满足，则第(4)条也满足; 模型对变量和函数形式的设定是正确的，即不存在设定误差。 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； 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） 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） 0均植、正态性假设是由模型的数理统计理论决定的。 三、一元线性回归模型的参数估计 1、普通最小二乘法（Ordinary Least Square,OLS） 给定一组样本观测值Xi, Yi（i=1,2,…n），要求样本回归函数尽可能好地拟合这组值，即样本回归线上的点与真实观测点的“总体误差”尽可能地小。 2、最大或然法（ Maximum Likelihood, ML） 最大或然法，也称最大似然法，是不同于最小二乘法的另一种参数估计方法，是从最大或然原理出发发展起