【统计PPT】一元线性回归模型.docVIP

第二章 一元线性回归模型 基本要求： 1、了解相关与回归的概念 2、理解线性回归模型的假定 3、掌握普通最小二乘法 4、理解最小二乘估计量的性质 5、会进行回归模型的检验 第一节 一元线性回归模型概述 一、相关与回归的基本概念 （一）变量之间的关系 各种经济变量之间的关系，一般可以分成两类，即完全确定的关系和非确定性的依存关系。 1．确定性关系或函数关系 如果一个变量值能被一个或若干个其他变量值按某一规律唯一的确定，则这类变量之间就具有完全确定的关系。 例如，当每吨水的价格为P元时，居民应缴纳的水费Y（元）与用水量X（吨）之间的关系可表示为Y=PX。 2．非确定性关系 如果变量之间既存在密切的数量关系，又不能由一个（或几个）变量之值精确的求出另一个变量之值，但在大量统计资料的基础上，可以判别这类变量之间的数量变化具有一定的规律性，也称为统计相关关系。 例如消费支出Y与可支配收入X之间有一定的关系，在一定范围内，收入增加，在理论上可以估计出增加的消费支出额。但应看到，可支配收入虽然是影响消费支出的重要因素，却不是唯一的因素。因此，根据可支配收入并不能精确的求出消费支出，也就不能用精确的函数关系表达式来表示这两个变量之间的关系。 计量经济学就是研究变量间的非确定关系的，变量间的统计相关关系可以通过相关分析和回归分析来研究。 （二）相关分析 1、涵义 相关分析是通过对经济现象的依存关系的分析，找出现象间的相互依存的形式和相关程度，以及依存关系的变动规律。 2、类型——从变量间的依存形式看，可分为线性相关和非线性相关。 线性相关反映变量间的依存关系可以近似的表示为一条直线；变量间的依存关系近似的表示为一条曲线则称为非线性相关。 3、指标 从变量间的相关程度看，可以通过相关系数来度量。两个变量之间的相关程度可以用简单相关系数来衡量；多个变量之间的相关程度可以用复相关系数、偏相关系数等来衡量。 （三）回归分析 1．回归的定义 回归分析是研究某一被解释变量（因变量）与另一个或多个解释变量（自变量）间的依存关系，其目的在于根据已知的解释变量值或固定的解释变量值（重复抽样）来估计和预测被解释变量的总体平均值。 在研究某一社会经济现象的发展变化规律时，所研究的现象或对象称为被解释变量，它是分析的对象，把引起这一现象变化的因素称为解释变量，它是引起这一现象变化的原因。 被解释变量则反映了解释变量变化的结果。 2．回归模型的分类 （1）按模型中自变量的多少，分为一元回归模型和多元回归模型。 一元回归模型是指只包含一个解释变量的回归模型 多元回归模型是指包含两个或两个以上解释变量的回归模型。 （2）按模型中参数与被解释变量之间是否线性，分为线性回归模型和非线性回归模型。 对于“线性”的解释： 一种是就变量而言是线性的，即线性回归模型是指解释变量与被解释变量之间呈线性关系； 另一种是就参数而言是线性的，即线性回归模型是指参数与被解释变量之间呈线性关系；非线性回归模型是指参数与被解释变量之间呈非线性关系。就回归模型而言，通常“线性”是就参数而言的。 （3）按模型中方程数目的多少，分为单一方程模型和联立方程模型。 单一方程模型是指只包含一个方程的回归模型； 联立方程模型是指包含两个或两个以上方程的回归模型。 3．相关与回归的关系 相关分析是回归分析的基础和前提，回归分析则是相关分析的深入和继续。 相关分析需要依靠回归分析来表现变量之间数量相关的具体形式，而回归分析则需要依靠相关分析来表现变量之间数量变化的相关程度。 相关分析只研究变量之间相关的方向和程度，不能推断变量之间相互关系的具体形式，也无法从一个变量的变化来推测另一个变量的变化情况。 注意避免“虚假回归”：只有当变量之间存在高度相关时，进行回归分析寻求其相关的具体形式才有意义。如果在没有对变量之间是否相关以及相关方向和程度做出正确判断之前，就进行回归分析，很容易造成“虚假回归”。 二者的区别： （1）在相关分析中涉及的变量不存在自变量和因变量的划分问题，变量之间的关系是对等的；而在回归分析中，则必须根据研究对象的性质和研究分析的目的，对变量进行自变量和因变量的划分。因此，在回归分析中，变量之间的关系是不对等的。 （2）在相关分析中所有的变量都必须是随机变量；而在回归分析中，自变量是给定的，因变量才是随机的，即将自变量的给定值代入回归方程后，所得到的因变量的估计值不是惟一确定的，而会表现出一定的随机波动性。 （3）相关分析主要是通过一个指标即相关系数来反映变量之间相关程度的大小，由于变量之间是对等的，因此相关系数是惟一确定的。而在回归分析中，对于互为因果的两个变量，则有可能存在多个回归方程。 二、一元线性回归模型 （一）总体回归函数 1、总体回归函数 假若我们要研究的问