回归概述教材.pptVIP

* * * * * * * * * * * * * * * * 线性模型与非线性模型 → (1) (2) (3) (4) (5) (7) (6) 结论： 实际经济活动中的许多问题，变量之间的非线性关系都可以最终化为线性关系。线性回归模型具有普遍意义。 即使对于无法采取任何变换方法使之变成线性的非线性模型，目前适用较多的参数估计方法非线性最小二乘法，其原理是以线性估计方法为基础。 线性模型理论方法在计量经济学理论方法中占据重要地位。 其他条件不变的概念(ceteris paribus) 包括经济学在内的许多社会科学中的假设都具有“其他条件不变”的特点：在研究两个变量之间关系时，所有其他相关因素都必须固定不变。 例如，经济学中在分析消费需求时，想知道 商品价格的变化对其需求量的影响，而让所有其他因素——收入、其他商品的价格和个人偏好等——都保持不变。 计量经济分析中的其他条件不变意味着“其他(相关)因素保持不变，这一概念在因果分析中有重要作用。 二、线性回归模型的基本假设 技术路线： 由于回归分析的主要目的是要通过样本回归函数（模型）SRF尽可能准确地估计总体回归函数（模型）PRF。即通过： 采用最小二乘或最大似然方法。 一元线性回归模型：只有一个解释变量 i=1,2,…,n Y 为被解释变量，X为 解释变量，?0 与?1为待估参数，? 为随机干扰项。 估计方法有多种，其中最广泛使用的是普通最小二乘法（ordinary least squares, OLS）。 为保证参数估计量具有良好的性质，通常对模型提出若干基本假设。 注：这些假设与所采用的估计方法紧密相关。 一元线性回归模型的基本假设 假设1：解释变量X是确定性变量，不是随机变量； 假设2：随机误差项?具有零均值、同方差和不序列相关性： E(?i| Xi)= E(?i) = 0 i=1,2, …,n Var (?i | Xi) = ??2 i=1,2, …,n Cov(?i, ?j)=0 i≠j i, j= 1,2, …,n 假设3：随机误差项?与解释变量X之间不相关： Cov(Xi, ?i)=0 i=1,2, …,n 假设4：?服从零均值、同方差、零协方差的正态分布 ?i ~N(0, ??2 ) i=1,2, …,n 如果假设1和2满足，则假设3也满足； 如果假设4 满足，则假设2 也满足。 注意： 假设1-4假设也称为线性回归模型的经典假设或高斯(Gauss)假设，满足该假设的线性回归模型称为经典线性回归模型(Classical Linear Regression Model, CLRM) 。 假设5：随着样本容量的无限增加，解释变量X的样本方差趋于一个有限常数，即： 假设6：回归模型是正确设定的。 假设4： ?i ~ N(0, ??2 ) i =1,2, …,n 例：测度教育的回报问题 问题提出：如果从总体中选择一个人，并让他或她多受一年教育，那么，他或她的工资会提高多少？ 工资水平与可测教育水平及其他非观测因素的关系： 工资：小时工资(元)，教育：受教育的年数。 其他非观测因素：工作经验、天生素质、职业道德等。 E(μi|Xi) = 0 假设μ是天生能力，这个假定就是要求，不论受教育的年数是多少，平均能力水平都一样。例如，E(abil|8) = E(abil|6)； Var(μi |Xi ) =σ?2，Var(Yi | Xi ) =σ?2 Var(wage|educ)=σ2，虽然平均工资E(wage|educ)可随着教育水平的提高而增长，但工资相对于它的均值的变异却被假定为对所有的教育水平都不变。 ?i ~ N(0, ??2) 的理由：由于μ是影响wage而又观测不到的许多因素之和，所以我们可以借助中心极限定理来断定μ具有近似正态分布。 三、参数的普通最小二乘估计（OLS） 给定一组样本观测值（Xi, Yi）（i=1,2,…n）要求样本回归函数尽可能好地拟合这组值。 普通最小二乘法(Ordinary least squares, OLS)给出的判断标准是：二者之差的平方和最小。 方程组（*）称为正规方程组（normal equations）。 由于参数的估计结果是通过最小二乘法得