第2章双变量回归的进一步讨论详解.ppt

事实上，根据 我们计算tdf=8=14.24，(14.24)2=F=202.87。可知，t检验和F检验是检验假设的两个互为补充的备选方法，对于双变量回归模型而言，确实不需要F检验。但当我们考虑多元（复）回归模型时，F检验成为检验统计假设的非常有用的方法。 2.6 回归分析的结果 上图中第一组括号内的数字代表估计的回归系数标准误，第二组数值是在回归系数为零假设下计算出来的t值（例如3.8128=24.4545÷6.4138)，而第三组数字代表估计的p值。比如当自由度为8时，得到一个等于3.8128或更大的t值的概率啊0.0026；得到一个等于或大于14.2405的t值的概率约合0.0000003。 把这些估计的t系数的p值显示出来，我们就能马上看到每一个t估计值的精确显著性水平。例如，在真实总体截距值为零的虚拟假设下，得到一个大到3.8128或更大的t值的精确概率（即p值）仅约为0.0026。因此我们拒绝这个虚拟假设，我们犯第1类错误（拒绝了真实的假设）的概率仅约合1万次中有26次，确实是一个很小的概率。从一切的实际目的考虑，我们都能说真实总体截距不是零。 正态性检验 在我们探讨完上述结论后，我们发现最小二乘估计（OLS）方法在统计学上是多么的优良。以至于我们所用例子的回归结果堪称完美。 但是，请大家不要高兴早了，别忘记了前面所用的一切方法（t检验、F检验）都基于干扰项ui的正态性。 正态性检验的方法很多，其中最常见的有两种方法：χ2拟合优度检验和雅克-贝拉检验。具体检验方法我们不在这里介绍，请大家查阅参考相关文献。 人有了知识，就会具备各种分析能力， 明辨是非的能力。 所以我们要勤恳读书，广泛阅读， 古人说“书中自有黄金屋。 ”通过阅读科技书籍，我们能丰富知识， 培养逻辑思维能力； 通过阅读文学作品，我们能提高文学鉴赏水平， 培养文学情趣； 通过阅读报刊，我们能增长见识，扩大自己的知识面。 有许多书籍还能培养我们的道德情操， 给我们巨大的精神力量， 鼓舞我们前进。 谢谢！ * * 经济类核心课程·计量经济学 PowerPoint Presentation by Lu Shiguang 2012 All Right Reserved, Hunan Institute of Engineering 第二章 双变量回归的进一步讨论 教师：卢时光 1. 正态性假设 1.1 为什么要对干扰ui的概率分布作出正态性假设？ 在上一章的分析中，我们并没有对干扰ui的概率分布作出任何假设。我们对ui的描述是：它们的期望值为0，它们是不相关的，并且有着一个不变的方差。 有了这些假设，我们看到最小二乘（OLS）估计量 有着非常好的统计性质，例如它们是无偏估计的，最小方差。 如果我们的目的仅仅是做点估计，则上述假定就足够好了，但是点估计只是统计推断的一个方面，另一方面则是假设检验。 我们的目标并不仅仅是得到 ，而是要利用它对其真值 作出论断。更一般的来说，我们的目的不仅是要得到样本回归函数（SRF），而是要用它来推测总体回归函数（PRF）。 那么，我们为什么必须对干扰项ui的概率分布进行进一步的假定呢？事实上，我们在前面的分析中已经强调过，最小二乘（OLS）估计量 都是ui的线性函数，因此最小二乘（OLS）估计量 的概率分布是依赖于ui的概率分布的。 在回归分析中，人们常常愿意假设ui是遵循正态分布的，这种假设是有理由的，我们稍后来证明。 我们把假定了干扰ui符合正态分布的模型称为双变量经典正态线性回归模型（CNLRM）。 1.2 正态性假设 经典正态线性回归假定每个ui都是正态分布的，且： 顺便指出，对两个正态分布变量来说，零协方差或零相关就意味着这两个变量是互相独立的。 ui符合正态分布的解释： 1. ui代表了回归模型中未作为自变量引入的，而对因变量产生影响的其他因素的总和。我们希望这些被忽略的变量的影响是微小的，而且充其量是随机的。利用中心极限定理可以证明，如果存在大量的独立且同分布的随机变量，随着这些变量的数量的无限增大，它们的总和将趋于正态分布。 中心极限定理也说明，即便变量的个数是有限的，且不是严格独立的，它们的总和也可以看做是服从正态分布的。 正态分布的一个基本性质是：正态分布变量的任何线性函数都是正态分布的。这样最小二乘估计量 也都是正态分布的。 最后，正态分布是一种简单的，我们熟知的分布。 1.3 在正态性假设下OLS估计量的性质 在正态性假设下，OLS估计量