第二章横截面数据讲述.pptVIP

2.1 简单回归模型的定义 回归模型的基本形式： 简单回归模型的基本形式： 称为一元线性总体回归模型。 随机变量x和u不相关的三个层次： “独立”：意味着对于x 、y和的任意可测函数 和 ，有 “均值独立”:意味着 “线性无关”:意味着 样本回归方程 通过对样本观测获得的信息去估计总体回归函数 如果变量x和y之间存在线性相关关系，对于任意抽取的若干个观测（样本）点（ ）， 有 称为样本回归模型 由两部分组成 ：系统分量和随机分量 系统分量 样本回归函数与总体回归函数的区别 总体回归函数虽然未知，但它是确定的（PRF唯一) ； 样本回归线随抽样波动而变化，每次抽样都能获得一个样本，就可以拟合一条样本回归线，（SRF不唯一）； 样本回归线只是样本条件均值的轨迹，还不是总体回归线，它至多只是未知的总体回归线的近似表现 普通最小二乘法（OLS） （Ｏrdinary Least Squares) 经典计量经济学最常采用的参数估计方法 它是建立在一个简单的估计准则——最小二乘准则之上的 可以看出 最小二乘准则是使全部观测值的残差平方和为最小，即 由微积分求极值的原理知，要使 达到最小，必要条件是 对 和 的一阶偏导数等于零： 经整理后得正规方程组 解得： 基于条件期望为0的普通最小二乘法的推导 由E(u)=0 得E(y – b0 – b1x) = 0 对于给定的数据样本，有 可得 拟合值和残差 拟合值：定义y在x= 的拟合值为 残差：观察值 与其拟合值的差。 为正，则回归线低估了 ；为负则回归线高估了 ；无数据点是必须在回归线上。 OLS估计量的方差 定理2.2 在在SLR.1-SLR.4下，OLSE的方差： 误差方差的估计 拟合优度 SST=SSE+SSR的证明 计量 * 拟合优度 拟合优度（又称判定系数） 我们定义R2 = SSE/SST = 1 – SSR/SST为拟合优度，又称判定系数，总是介于0到1之间 一个接近于1的判定系数表明OLS给出了一个良好的拟合，一个于0的判定系数表明OLS给出了一个糟糕的拟合 计量 * 2.4 度量单位和函数形式 改变度量单位对OLS统计量的影响 在简单回归中加入非线性因素 “线性”回归的含义 计量 * 改变度量单位对OLS统计量的影响 、 的计量单位 、 的经济含义是什么？ X单位改变，y不变，影响 ，不影响 y单位改变，不管X是否变化，影响 、 如果定义roedec = roe/100，那么样本回归线将会从(estimated salary)=963.191 + 18.501roe改变到(estimated salary)=963.191 + 1850.1roedec 计量 * 在简单回归中加入非线性因素 非线性因素的必要性：线性关系并不适合所有的经济学运用 通过对因变量和自变量进行恰当的定义，我们可以在简单回归分析中非常容易地处理许多y和x之间的非线性关系 例子：工资—教育模型， 计量 * 自然对数形式 计量 * 计量 * 变量非线性模型中的斜率： 线性模型 边际贡献 线性---对数模型 半弹性 对数---线性模型 半弹性 对数---对数模型 弹性 经济学中的例子（x代表投资，y代表GDP) OLS估计量的期望值和方差 OLS的无偏性 OLS估计量的方差 计量 * OLS的无偏性 我们首先在一组简单假定的基础上构建OLS的无偏性。 假定SLR.1 线性于参数 在总体模型中，因变量y与自变量x的误差项u的关系如下： 其中， 和 分别表示总体的截距和斜率参数。 计量 * OLS的无偏性 假定SLR.2 随机抽样 我们具有一个服从从整体模型方程 的随机样本{ : i=1,2…n}，其样本容量为n. （更强假定：x非随机或固定，y独立同