1 一元多元虚拟回归.docVIP

一元回归+ 多元回归+ 逐步回归+ 非线性回归+ 曲线拟合 无论是自然现象还是社会经济现象，变量的关系分为两类，一类是确定的函数关系（利率、本金、本息），用函数表示；一类是不确定的统计相关关系不确定（农作物的施肥量与产量，产量是不确定的，随机的，他们之间有相关关系，同时也具有因果关系），对于这样的变量我们通过回归分析来研究。 一、一元模型的建立 个体的随机性太强，所以我们研究问题总想研究总体，研究总体的平均情况。但是对于总体数据又无法完全取得（成本、能力的限制），所以我们只能去抽取一个样本，通过这个样本近似的来代替总体，获得总体的信息，所以我们想建立的真实模型是 的含义：解释变量每变化一个单位时，被解释变量的平均变化数量。 对于单个个体我们有 用我们获得的一个样本近似的拟合总体有 对单个个体有 二、一元模型的估计 三、经典假设 想知道和离他们的真实值有多接近，或者说与其期望值多接近。需要有确定的模型的函数形式，还要对的产生方式做出某些假定。 ，它表明依赖于和。因此，除非我们明确和是怎样产生的，否则我们将无法对做出任何统计推断，而且我们也无法对和做出任何统计推断。 假设1 解释变量是确定性变量 假定2 随机干扰项具有零均值，同方差及不序列相关性 只有假设都满足了，普通最小二乘法获得的估计量才是BLUE，是线性的、无偏的、有效的 四、区间估计 假设我们想知道究竟，比方说离有多“近”。为了这个目的，我们试求两个正数和，位于0和1之间，使得随机区间包含的概率为。用符号表示 （*） 这样的一个区间如果存在的话，就称之为置信区间，称为置信系数，称为显著性水平。 五、检验 1、变量的显著性 如果变量是显著的，那么参数应该显著的不为0， 1）原假设与备择假设分别为 构造统计量 2）给定显著性水平，查询分布表，得到一个临界值 3）从现有样本中算出（5）式的值， 4）如果发生了，为原假设下的一个小概率事件，则在的置信度下拒绝原假设，即变量是显著的，通过了变量显著性检验。 如果未发生，则在的置信度下不拒绝原假设，即变量是不显著的。未通过变量显著性检验。 回到区间估计 针对上面介绍的参数的区间估计，我们说关键是找到和对应的，现在我们学习完了变量的显著性检验时，我们知道有 并且给定显著性水平，则有 （6） 于是我们可以得到的置信度下的置信区间是 由于置信区间一定程度地给出了样本参数估计值与总体参数真值的“接近”程度，因此置信区间越小越好。要缩小置信区间，需 （1）增大样本容量，因为在同样的置信水平下，越大，一定，则分布表中的临界值越小。 （2）提高模型的拟合优度，因为样本参数估计量的标准差与残差平方和呈正比，模型拟合优度越高，残差平方和应越小。因为 ，而 思考：若通过样本得到了一个置信区间，如何解释？ 答：给定置信系数95%，从长远看，在类似于的每100个区间中，将有95个包含着真实的的值；但这个特殊的固定区间含有真实的的概率不是1就是0。 2、拟合优度检验 我们要说出这条样本回归线对数据拟合的有多么好。 一般的情形是总有一些正的或负的残差。我们所希望的仅是这些围绕着回归线的残差尽可能小。 记（total sum of squares），称为总离差平方和，反映样本观测值总体离差的大小； （explained sum of squares），称为回归平方和，反映有模型中解释变量所解释的那部分离差的大小 （residual sum of squares），称为残差平方和，反映样本观测值与估计值偏离的大小，也是模型中解释变量未解释的那部分离差的大小。 可决系数统计量 ，越接近于1越好 拟合优度也是所有解释变量整体的解释能力的度量 六、软件实现（1yuan.xls）+学习界面 S.E. of regression 回归的标准误，对估计误差大小的总体度量 Durbin-Watson stat 度量随机误差项是否存在序列相关的 Mean dependent var S.D. dependent var 回归分析结果的报告 经过模型的估计、检验，得到一系列重要的数据，为了简明、清晰、规范的表述这些数据，计量经济学通常采用以下规范化的方式： 每一行依次为：1估计的样本回归函数 ；2标准误差SE；3 估计的t统计量；4可决系数和自由度；5F统计量 DW统计量 七、预测的软件实现 一、总体条件均值预测值的置信区间 基本思想：由于存在抽样波动，预测的不一定等于真实总体条件均值，还需要对做区间估计。对做区间预测，必须确定总体条件均值的抽样分布，必须找出与和都有关的统计量 具体做法：从的分布分析 给定，我们要预测，若我们已有历史上的回归，我们将得到这个条件均值预测值的点估计值，即，可以证明这个点预测量是一个最优线性