2.回归分析概述详解.pptVIP

第二章 回归分析概述 本章内容 第一节、回归的基本概念 1.1 回归的定义 1.1 回归的定义 1.2 回归的特点 1.3 回归分析与相关分析的区别 1.回归分析/相关分析研究一个变量对另一个（些）变量的统计依赖关系（协变关系），但它们并不意味着一定有因果关系：19世纪后期的太阳黑子假说。 2.相关分析对称地对待两个变量，两个变量都被看作是随机的。因而，相关分析只能计算出相关系数，而不能指出变量之间相互关系的具体形式，也无法从一个变量的变化推测另一个变量的变化。 3.回归分析对变量的处理方法存在不对称性，即区分被解释变量和解释变量：前者是随机变量，后者是非随机变量。 因而，回归分析能确切地指出变量之间相互关系的具体形式，它可以根据回归模型从已知量估计和预测未知量。 4.只有变量之间存在着高度相关时，进行回归分析寻求其相关的具体形式才有意义：R2为拟合优度的度量指标。 第二节、总体回归函数 2.1 总体回归函数的概念 例2.1:一个社区有100户家庭组成，研究该社区每月家庭消费支出Y与每月家庭可支配收入X的关系。 总体回归线 描出散点图发现：随着收入的增加，消费平均水平也在增加。且在给定X时，Y的条件均值均落在一根正斜率的直线上。这条直线称为总体回归线。 总体回归函数 在解释变量 Xi（收入水平）取给定值时，被解释变量Yi（消费水平）的条件均值的连线为总体回归线。 相应的函数： 称为总体回归函数。它表明Y的均值或平均对应值是怎样地随X而变化的。 按照凯恩斯的理论，消费与收入成线性关系，有： ， 0＜?1＜1 其中，?0和?1是未知参数，称为回归系数，需要进行参数估计。 而?1是否在统计学意义上小于1，则需要进行假设检验。 检验后若证明了凯恩斯理论的正确性后，即可以进行消费支出的经济预测。 2.2 总体回归函数的作用 2.3 线性回归模型 1.“线性”一词指对参数β为线性的一种回归，对解释变量X则可以是或不是线性的。 线性回归模型： 非线性回归模型： 第三节、总体回归函数的随机形式 3.1 随机扰动项的定义 例2.1中的总体回归函数说明在给定的收入水平Xi下，该社区家庭平均的消费支出水平。但对某一个别的家庭，其消费支出可能与该平均水平有偏差。 记 ，?i为个体观察值Yi与其所对应子总体的期望值E(Y|Xi)的差距，它是一个随机变量，其值无法预先确定，但可以用概率分布来描述。称为随机扰动项或随机误差项或噪声。 个别家庭的消费支出为： 3.1 总体回归函数的随机形式 从 可以看出，给定收入Xi ,个别家庭的支出可表示为两部分之和: （1）该收入水平下所有家庭（子总体）的平均消费 支出 E(Y|Xi)，称为确定性或系统部分。 （2）其他非确定性（由收入以外因素来确定） 或随机部分?i。 该式称为总体回归函数的随机形式。表明被解释变量除了受解释变量的系统性影响外，还受其他因素的随机性影响。 由于方程中引入了随机项，成为计量经济学模型，因此也称为总体回归模型。 3.2 随机扰动项的产生原因 例2.1中影响消费的变量,除收入外，还有家庭财富、通胀预期、利率…… 能否通过引入更多的变量来解决： 1.引发多重共线性问题：参数估计的方差增大，假设检验的精度减小。 2.损失自由度。（样本观测值总数-对其线性约束 =样本数目-待估计的参数个数） 节省原则（奥卡姆剃刀原则）：尽可能使用简单模型，选取重要变量，回避不必要的变量。 3.3 随机扰动项的影响因素 第四节、样本回归函数 4.1 样本回归函数 总体的信息往往无法掌握，现实的情况只能是在一次观测中得到总体的一个样本。 问题：如何从一次抽样中获得总体的近似信息，从而估计总体回归函数？ 例2.2：在例2.1的总体中有如下一个样本 样本回归线 样本的散点图如下： 由于样本散点图近似一条直线，画一条直线以尽可能好地拟合该图，由于样本取自总体，可以认为该线近似地代表总体回归线，称为样本回归线。 试问：对于同一个总体而言，有多少条样本回归直线？哪一条最接近总体呢？ 样本回归函数 样本回归线的函数形式为： 称之为样本回归函数。 我们是将样本回归线看成总体回归线的近似替代： 4.2 样本回归模型 同样地，样本回归函数也有如下的随机形式： 由于方程中引入了随机项，成为计量经济模型，因此也称为样本回归模型。 4.3 回归分析的目的 回归分析的主要目的：根据样本回归函数，估计总体回归函数。 即：根据 估计 这就要求设计一个方法来构造样本回归函数时，