最新LECTURE经济计量的基本问题与描述性分析.pptVIP

多元线性回归模型与多元线性回归方程 多元线性回归模型-概念要点 （1）一个因变量与两个及两个以上自变量之间的回归 （2） 描述因变量 y 如何依赖于自变量 x1 ， x2 ，…， xp 和误差项 ? 的方程称为多元线性回归模型 （3）涉及 p 个自变量的多元线性回归模型可表示为 多元线性回归模型—基本假定 （1）自变量 x1，x2，…，xp是确定性变量，不是随机变量 （2）随机误差项ε的期望值为0，且方差σ2 都相同 （3）误差项ε是一个服从正态分布的随机变量，即ε~N(0,σ2)，且相互独立 多元线性回归方程—概念要点 （1）描述 y 的平均值或期望值如何依赖于 x1， x1 ，…，xp的方程称为多元线性回归方程 （2）多元线性回归方程的形式为 E( y ) = ?0+ ?1 x1 + ?2 x2 +…+ ?p xp 多元线性回归的估计(经验)方程 （1）总体回归参数 是未知的，利用样本数据去估计 参数的最小二乘法（要点） 相关系数及显著性检验 相关系数反映两个变量之间线性相关关系的密切程度和相关关系的方向。样本相关系数用 r 表示，总体相关系数用 ? 表示。 相关系数的显著性检验（概念要点） （1）检验两个变量之间是否存在线性相关关系 （2）等价于对回归系数 b1的检验 （3）采用 t 检验 （4）检验的步骤为 提出假设：H0：? ? ? ；H1： ? ? 0 回归方程的拟合优度检验 调整的R Square，就是检验样本数据聚集在样本回归线周围的密集程度，从而判断回归方程对样本数据的代表程度。使用调整后的R Square是因为增加自变量的数量会增加R Square值。 标准误反映实际观察值在回归直线周围的分散状况。从另一个角度说明了回归直线的拟合程度。反映实际观察值在回归直线周围的分散状况，从另一个角度说明了回归直线的拟合程度。 回归方程的显著性检验（线性关系的检验 ） 检验因变量与所有的自变量之间是否存在显著的线性关系，检验方法是应用 F 检验 如果是显著的，因变量与自变量之间存在线性关系 如果不显著，因变量与自变量之间不存在线性关系 回归方程的显著性检验（步骤） （1）提出假设 H0：?1??2????p=0 线性关系不显著 H1：?1，?2，?，?p至少有一个不等于0 回归系数的显著性检验（要点） （1）如果F检验已经表明了回归模型总体上是显著的，那么回归系数的检验就是用来确定每一个单个的自变量 xi 对因变量 y 的影响是否显著 （2）对每一个自变量都要单独进行检验 （3）应用 t 检验 （4）在多元线性回归中，回归方程的显著性检验不再等价于回归系数的显著性检验 回归系数的显著性检验（步骤） （1）提出假设 H0：bi = 0 (自变量 xi 与 因变量 y 没有线性关系) H1：bi ? 0 (自变量 xi 与 因变量 y有线性关系) （2）计算检验的统计量 t 离散型数据：数据只能取整数。如一家公司的职工人数。 连续型数据：可以取介于两个数值之间的任意数值。如销售额、经济增长率等。 定类数据，这种数据只对事物的某种属性和类别进行具体的定性描述。如对人口按性别划分为男性和女性两类。 定序数据，也称序列数据，是对事物所具有的属性顺序进行描述。例如，对企业按经营管理的水平和取得的效益划分为一级企业、二级企业等。 六、数据分析与检验 描述统计：关于搜集、展示一批数据，并反映这批数据特征的各种方法，其目的是为了正确地反映总体的数量特点。 推断统计：根据样本统计量估计和推断总体参数的技术和方法。 描述统计： 单变量截面数据的描述性分析 样本均值比较及检验 （一）单变量截面数据的描述性分析 集中趋势分析：众数（mode）、均值（mean）、中位数（median）、总和（sum） 离散趋势分析：极差（range）、四分位间距（quartile）、方差（variance）、标准差（standard deviation） 分布特征分析： 偏态（skewness），各观察值是否只对称地分布在中心的两侧，偏态系数额绝对值大于2，偏倚程度很大；峰度（kurtosis）各观察值是较为均匀地分布，还是侧重出现在中心附近，峰度系数为3一般称为常态峰，大于3高狭峰，小于3低阔峰。 1.集中趋势的描述 集中趋势(central tendency)反映的是一组数据向某一中心值靠拢的倾向。 数据的集中趋势通常用平均指标来反映。 集中趋势指标（平均指标）按计算方法不同分为： ㈠ 算术平均 ㈡ 调和平均数 ㈢ 几何平均数 ㈣ 中位数 ㈤ 众数 数值平均数 位置平均数 位置平均数与算术平均数的关系 1.众数(Mo)适用于所