计量经济学双变量回归分析一些基本思想创新.pptVIP

第 二 章 双变量回归分析： 一些基本思想 总体回归函数 随机干扰项 样本回归函数 基本内容 每 月 家 庭 可 支 配 收 入 X (单位:元) 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500 820 962 1108 1329 1632 1842 2037 2275 2464 2824 888 1024 1201 1365 1726 1874 2110 2388 2589 3038 932 1121 1264 1410 1786 1906 2225 2426 2790 3150 每 960 1210 1310 1432 1835 1068 2319 2488 2856 3201 月 1259 1340 1520 1885 2066 2321 2587 2900 3288 家 1324 1400 1615 1943 2185 2365 2650 3021 3399 庭 1448 1650 2037 2210 2398 2789 3064 消 1489 1712 2078 2289 2487 2853 3142 费 1538 1778 2179 2313 2513 2934 3274 支 1600 1841 2298 2398 2538 3110 出 1702 1886 2316 2423 2567 ? Y 1900 2387 2453 2610 (单位:元) 2012 2498 2487 2710 2589 2586 900 1150 1400 1650 1900 2150 2400 2650 2900 3150 例:100个家庭构成的总体 回归线与回归函数 ●回归线: 对于每一个X的取值都有Y的条件期望E(Y|Xi）与之对应，所有这些Y的条件期望的点的轨迹所形成的直线或曲线称为回归线。 回归线与回归函数 ●回归函数: 总体回归函数（Population Regression Function， PRF） 若已知所研究的经济现象的总体因变量Y 和解释变量X的每一个观测值，代入回归函数即得到PRF PRF两种表现形式 条件均值 个别值 条件均值表现形式 个别值表现形式 令各个Yi与其条件均值的偏差为ui（随机变量） 注意： 实际的经济研究中总体回归函数通常是未知的，只能根据经济理论和实践经验去设定。 线性？ “线性”的判断 线性？ 对变量而言线性 对参数而言线性 随机干扰项 ◆概念: 各个 值与条件均值 的离差 代表 排除在模型以外的所有 因素对 的影响。 ◆性质： 是期望为0有一定分布的随机变量 ●??理论的含糊性 ●??数据的欠缺 ●??核心变量与周边变量 ●??模型的设定误差 ●??变量的观测误差 ●??节省原则 引入随机干扰项的原因 样本回归函数（Sample Regression Function ,SRF） 样本回归函数 对于X的一定的值，取得Y的样本观测值，可计算其条件均值，代入回归函数即可得到SRF。 样本回归函数 如果把因变量 Y的样本条件均值表示为解释变量 X的某种函数，这个函数称为样本回归函数（SRF）。 SRF不唯一 SRF2 SRF1 SRF的表现形式 样本回归函数如果为线性函数，可表示为 个别值形式 回归分析的目的 用样本回归函数SRF去估计总体回归函数PRF。 由于样本对总体总是存在误差，故SRF 总会过高或过低估计PRF。 SRF与PRF SRF PRF A ? SRF与PRF SRF PRF