第4章 双变量回归模型：估计问题.pptVIP

结合上面讨论过的ESS和RSS： 样本相关系数 它测出两个变量之间的关联度。 样本相关系数的性质： r可正可负。 它落在极限-1和+1之间， 。 它有对称性；即X与Y的相关系数 和Y与X的相关系数 相同。 它与原点和尺度无关。令 ， ，其中a0,b0，c,d是常数，则 与 之间的r和X与Y之间的r相同。 如果X与Y统计上独立，则它们之间的相关系数为零。但零相关并不一定意味着独立性。 6. 它仅是线性关联或线性相依的一个度量；它不能用于描述非线性关系。 在回归分析中， r2 是一个比r更有意义的度量，因为r2 告诉我们在因变量的变异种解释变量解释的部分占怎样一个比例，因而对一个变量的变异在多大程度上决定另一个变量的变异，提供了一个总的度量。。而r没有这种价值。 r2还可作为实测的Y 与估计估计的Y 之间的相关系数的平方来计算。（离差形式） 这也解释了为什么把r2 描述为拟合优度的一个度量，这是因为它告诉我们Y的估计值和它的真实值相距多近。 例子 在导论中讨论过凯恩斯消费函数：人们随着他们收入的增加而倾向于增加其消费，但不如收入增加的那么多。 假定消费支出-收入的关系是线性的，如下： 表3.2 每周家庭消费支出Y和每周家庭收入X的假想数据 Y X Y X 70 80 115 180 65 100 120 200 90 120 140 220 95 140 155 240 110 160 150 260 利用Eviews得出结果 File/Open/Foreign data as workfile Quick/Estimate Equation 或者 ls y c x 假定6：ui 和Xi 的协方差为零，或 。形式上： 假定6是说，干扰u和解释变量X是不相关的。当我们把PRF表述为 时，我们假定了X和u对Y有各自的并且可加的影响。但若X和u是相关的，就不可能评估它们各自对Y的影响。 例如，若X和u正相关，则当u增加时X也增加，而当u减小时X也减小。要分开X和u对Y的影响都是困难的。 如果X是非随机的，并且有假定3干扰项ui 的均值为零，假定6就自动得到满足。 我们已经假定X变量不仅是非随机的，而且在重复样本中取固定值，故假定6对我们来说并不是关键性的假定。这里只是为了表明，即使这些X是随机的，只要它们独立于干扰项ui 或至少与ui 无关，下面讲的回归理论就是真实的。 假定7：观测次数n必须大于待估计的参数个数。另一种说法是，观测次数n必须大于解释变量的个数。 不妨设想我们只有一对Y和X的观测值，则无法估计两个未知数。 假定8：X值要有变异性。在一个给定的样本中，X值不可以全是相同的，即var(X)必须是一个有限的正数。 试想，如果全部X值都相同，则 。则 无法估计β。 直观上，如果家庭收入很少变动，我们就不怎么能解释消费支出的变化。 变量必须在变！ 假定9：正确地设定了回归模型。另一种说法是，在经验分析中所用的模型没有设定偏误（specification bias or error）。 在模型的设定中出现的一些重要问题包括： （1）模型应包括哪些变量？ （2）模型的函数形式为何？它是不是对参数，对变量或对两者为线性？ （3）进入模型的Yi ，Xi 和ui 要做些什么概率上的假定？ 例如，菲利普斯曲线 假设选择两个模型去描述货币工资变化率和失业率的理论关系： 回归模型1对参数和变量都是线性的，回归模型2则对参数为线性，对变量X为非线性。假如回归模型1是“正确”模型，则模型2在A、B两点间高估了真实的Y均值。 除了在选择模型时需要做出判断，假定9还为了提醒我们，回归 分析以及由分析得到的结果，是以所选的模型为条件的，从而警 醒我们，在建立计量经济模型时必须十分审慎，特别是对某些经 济现象常存在多种有争议的理论。 计量经济的模型构造，与其说是一门科学，不如说是一门艺术。 假定10：没有完全的多重共线性。就是说，解释变量之间没有完全的线性关系。 当模型中含有多个回归元的时候，我们增补这样一个假定。 三、最小二乘估计的精度或标准误差 由方程（4-5）可见，最小二乘估计是样本数据的函数。但因数据会从一个样本变到另一个样本，