2双变量回归一些基本思想解说.pptVIP

第 二 章 双变量回归分析： 一些基本思想 回归与相关 总体回归函数 随机干扰项 样本回归函数 一、回归与相关 （对统计学的回顾） 1. 经济变量间的相互关系 确定性的函数关系Y=F(X) 不确定性的统计关系—相关关系 Y=F(X)+u (u为随机变量） 相关关系 最直观的描述方式——散点图 相关关系的类型 ●?从涉及的变量数量看 简单相关 、复相关 ●?从表现形式看 线性相关、非线性相关 ●??从变化的方向看 正相关 、负相关 相关关系 相关程度的度量—相关系数 总体线性相关系数： 相关程度的度量—相关系数 样本线性相关系数： 回归 历史渊源： 高尔顿遗传学的回归概念 (父母身高与子女身高的关系) “回归”的现代含义 回归分析是关于一个所谓的因变量对另一个或多个所谓解释变量的依赖关系，其用意在于通过后者（在重复抽样中）的已知或设定值，去估计和预测前者的（总体）均值。 -----Gujarati （P16) 回归线与回归函数 ●回归线: 对于每一个X的取值都有Y的条件期望E(Y|Xi）与之对应，所有这些Y的条件期望的点的轨迹所形成的直线或曲线称为回归线。 回归线与回归函数 ●回归函数: 总体回归函数（Population Regression Function， PRF） 若已知所研究的经济现象的总体因变量Y 和解释变量X的每一个观测值，代入回归函数即得到PRF PRF两种表现形式 条件均值 个别值 条件均值表现形式 个别值表现形式 令各个Yi与其条件均值的偏差为ui（随机变量） 注意： 实际的经济研究中总体回归函数通常是未知的，只能根据经济理论和实践经验去设定。 线性？ “线性”的判断 线性？ 对变量而言线性 对参数而言线性 三、随机干扰项 ◆概念: 各个 值与条件均值 的离差 代表 排除在模型以外的所有 因素对 的影响。 ◆性质： 是期望为0有一定分布的随机变量 ●??理论的含糊性 ●??数据的欠缺 ●??核心变量与周边变量 ●??模型的设定误差 ●??变量的观测误差 ●??节省原则 样本回归函数（Sample Regression Function ,SRF） 样本回归函数 对于X的一定的值，取得Y的样本观测值，可计算其条件均值，代入回归函数即可得到SRF。 样本回归函数 如果把因变量 Y的样本条件均值表示为解释变量 X的某种函数，这个函数称为样本回归函数（SRF）。 SRF不唯一 SRF的表现形式 样本回归函数如果为线性函数，可表示为 个别值形式 回归分析的目的 用样本回归函数SRF去估计总体回归函数PRF。 由于样本对总体总是存在误差，故SRF 总会过高或过低估计PRF。 要解决的问题： 寻求一种规则和方法，使得到的SRF的参数尽可能“接近”总体回归函数中的参数。 这样的“规则和方法”有多种，最常用的是最小二乘法 SRF与PRF SRF PRF A ? * * 基本内容 3150 2900 2650 2400 2150 1900 1650 1400 1150 900 2586 2589 2710 2487 2498 2012 (单位:元) 2610 2453 2387 1900 Y ? 2567 2423 2316 1886 1702 出 3110 2538 2398 2298 1841 1600 支 3274 2934 2513 2313 2179 1778 1538 费 3142 2853 2487 2289 2078 1712 1489 消 3064 2789 2398 2210 2037 1650 1448 庭 3399 3021 2650 2365 2