计量经济学课件1-3章.ppt

“备”则“倍” 有准备、有规划的人生更精彩！ 在上述收入-消费支出例中，得到的样本回归函数为 则在 X0=1000处， ?0 = –103.172+0.777×1000=673.84 而 因此，总体均值E(Y|X=1000)的95%的置信区间为： 673.84-2.306?61.05< E(Y|X=1000) <673.84+2.306?61.05 或 （533.05, 814.62） 同样地，对于Y在X=1000的个体值，其95%的置信区间为： 673.84 - 2.306?130.88<Yx=1000 <673.84 + 2.306?130.88 或 (372.03, 975.65) 总体回归函数的置信带（域）（confidence band） 个体的置信带（域） 对于Y的总体均值E(Y|X)与个体值的预测区间（置信区间）: （1）样本容量n越大，预测精度越高，反之预测精度越低； （2）样本容量一定时，置信带的宽度当在X均值处最小，其附近进行预测（插值预测）精度越大；X越远离其均值，置信带越宽，预测可信度下降。 §2.5 实例：时间序列问题 一、中国居民人均消费模型 二、时间序列问题 一、中国居民人均消费模型 例2.5.1 考察中国居民收入与消费支出的关系。 GDPP： 人均国内生产总值（1990年不变价） CONSP：人均居民消费（以居民消费价格指数（1990=100）缩减）。 该两组数据是1978~2000年的时间序列数据（time series data）； 1、建立模型 拟建立如下一元回归模型 采用Eviews软件进行回归分析的结果见下表 前述收入-消费支出例中的数据是截面数据（cross-sectional data）。 一般可写出如下回归分析结果： (13.51) (53.47) R2=0.9927 F=2859.23 DW=0.5503 2、模型检验 R2=0.9927 T值：C：13.51， GDPP：53.47 临界值: t0.05/2(21)=2.08 斜率项：0<0.3862<1，符合绝对收入假说 3、预测 2001年：GDPP=4033.1（元）（90年不变价） 点估计：CONSP2001=201.107 + 0.3862?4033.1 = 1758.7（元） 2001年实测的CONSP（1990年价）:1782.2元， 相对误差: -1.32%。 2001年人均居民消费的预测区间 人均GDP的样本均值与样本方差： E(GDPP)=1823.5 Var(GDPP)=982.042=964410.4 在95%的置信度下，E(CONSP2001)的预测区间为： =1758.7?40.13 或： （1718.6,1798.8） 同样地，在95%的置信度下，CONSP2001的预测区间为： =1758.7?86.57 或 （1672.1, 1845.3） 二、时间序列问题 上述实例表明，时间序列完全可以进行类似于截面数据的回归分析。 然而，在时间序列回归分析中，有两个需注意的问题： 第一，关于抽样分布的理解问题。 能把表2.5.1中的数据理解为是从某个总体中抽出的一个样本吗？ 可决系数R2，考察被解释变量Y的变化中可由解释变量X的变化“解释”的部分。 这里“解释”能否换为“引起”? 第二，关于“伪回归问题”（spurious regression problem）。 在现实经济问题中，对时间序列数据作回归，即使两个变量间没有任何的实际联系，也往往会得到较高的可决系数，尤其对于具有相同变化趋势（同时上升或下降）的变量，更是如此。 这种现象被称为“伪回归”或“虚假回归”。 第三章 经典单方程计量经济学模型：多元回归 多元线性回归模型 多元线性回归模型的参数估计 多元线性回归模型的统计检验 多元线性回归模型的预测 回归模型的其他形式 回归模型的参数约束 §3.1 多元线性回归模型 一、多元线性回归模型 二、多元线性回归模型的基本假定 一、多元线性回归模型 多元线性回归模型:表现在线性回归模型中的解释变量有多