多元线性回归模型参数估计讲述.ppt

其中利用了 和 结论：在经典假定条件下，多元线性回归的OLS估计式是最佳线性无偏估计式。 四、参数估计量的方差-协方差矩阵和随机误差项方差σ2的估计 1.参数估计量的方差-协方差矩阵 将参数估计量看成是随机变量，具有数字特征。 参数估计量的方差以及不同参数估计量之间的协方差在模型理论中具有重要性。 具体描述如下： β的方差—协方差矩阵： 矩阵符号表达式： 可以证明随机误差项方差σ2的无偏估计量是： 2. 随机误差项方差σ2的估计量 于是，参数估计量的方差、标准差、协方差可以分别用其样本方差、标准差、协方差估计： 五、样本容量问题 所谓“最小样本容量”，即从最小二乘原理出发，要得到参数估计量，不管其质量如何，所要求的样本容量的下限。 ⒈ 最小样本容量 样本最小容量必须不少于模型中解释变量的数目（包括常数项）, 即 n ? k+1 因为，无完全共线性要求：秩(X)= k+1 2、满足基本要求的样本容量 从统计检验的有效性角度： n ? 30 时，Z 检验才能应用， t 分布较为稳定 ； 从参数估计角度，一般经验认为: 当n ? 30 或者至少 n ? 3(k+1) 时，才能说满足模型估计的基本要求。 模型的良好性质只有在大样本下才能得到理论上的证明。 六、多元线性回归模型的参数估计实例 中国消费函数模型 根据消费模型的一般形式，选择人均消费支出为被解释变量，人均国内生产总值和前一年的人均消费支出为解释变量，变量之间关系为简单线性关系，选取1979~2000年统计数据为样本观测值。 被解释变量：CONSP 解释变量：人均GDP：GDPP 前期消费：CONSP(-1) 估计区间：1979~2000年 中国居民人均消费支出与人均GDP 单位：元/人 year CONSP GDPP year CONSP GDPP 1978 395.8 675.1 1990 797.1 1602.3 1979 437 716.9 1991 861.4 1727.2 1980 464.1 763.7 1992 966.6 1949.8 1981 501.9 792.4 1993 1048.6 2187.9 1982 533.5 851.1 1994 1108.7 2436.1 1983 572.8 931.4 1995 1213.1 2663.7 1984 635.6 1059.2 1996 1322.8 2889.1 1985 716 1185.2 1997 1380.9 3111.9 1986 746.5 1269.6 1998 1460.6 3323.1 1987 788.3 1393.6 1999 1564.4 3529.3 1988 836.4 1527 2000 1690.8 3789.7 1989 779.7 1565.9 　 　 　 Dependent Variable: CONSP Method: Least Squares Sample (adjusted): 1979 2000 Included observations: 22 after adjustments Variable Coefficient Std. Error t-Statistic Prob.?? GDPP 0.221359 0.060973 3.630462 0.0018 CONSP(-1) 0.451408 0.170318 2.650380 0.0158 C 120.7253 36.51374 3.306299 0.0037 R-squared 0.995403 ????Mean dependent var 928.4909 Adjusted R-squared 0.994919 ????S.D. dependent var 372.6339 S.E. of regression 26.56264 ????Akaike info criterion 9.523012 Sum squared resid 13405.90 ????Schwarz criterion 9.671791 Log likelihood -101.7531 ????Hannan-Quinn criter. 9.558060 F-statistic 2056.887 ????Durbin-Watson stat 1.278902 Prob(F-statistic) 0.000000 Eviews软件估计结果 随机误差项方差的估计量为： 复习：多元线性模型