第三章多元线性回归模型(蓝色)讲述.ppt

多元回归模型中包含了无关解释变量，即对模型进行了过度设定。就是说，我们把一个在总体回归模型中对Y 没有影响的解释变量放到了样本回归模型中。 二、回归模型中包含了无关解释变量 假定真实模型为 （3.74） 而我们设定的回归模型为 （3.75） 解释变量X3对Y 没有影响，X3 在总体回归模型（3.74）中的参数 β3=0 。在模型（3.75）中，X3是一个与被解释变量Y无关的变量。 引入 X3 将导致如下结果： 1．有误模型（3.75）的参数最小二乘估计量均无偏，即 ， 和 。 2． 的方差非最小，都大于正确模型（3.74）中 的方差。也就是说，在模型（3.75）中，X3的的引入将使 , 的方差无必要地增大 ，降低估计的精度。 在多元回归模型中，遗漏了一个实际上应该包括在总体模型中的解释变量称为对模型设定不足。就是说，我们遗漏了一个对被解释变量有显著影响的解释变量。 三、回归模型中遗漏了重要解释变量 假定真实模型为 （3.76） 而我们设定的回归模型为 （3.77） X3是对Y 有显著影响的变量，而在模型（3.77）中却将其漏掉了。遗漏X3将导致如下后果： 1．如果遗漏的变量X3与包含的变量X2相关，则 和 是有偏误的，且非一致。就是说， 不等于β1 ， 不等于β2 ，而且不论样本多大，偏误都不会消失。 2．如果X3与X2不相关， 则 是有偏误的，而 则是无偏的。 3． 不能正确地估计。 4．对于所估计的参数的统计显著性，容易导出错误的结论。 【例3.11】在例3.9中，为了说明对数到线性回归模型的应用，使用了一元回归模型，但这很可能是一个有误的设定。因为影响经济增长的因素除了能源消费量外还有技术进步、制度、金融等非能源类因素的影响，在此我们用时间变量t 代表这些因素。则回归模型应为 （3.78） 式（3.78）中，Y＝国内生产总值（亿元），X＝能源消费总量。t＝时间（t＝1, 2, 3, …, 19）。 时间变量t 的使用是经济计量分析中的常用手段。第一，当我们研究的兴趣仅仅在于变量的时间特性时，我们就使用时间t作解释变量。例如，研究GDP、就业率、股票价格随时间变化的规律性。第二，有时要选择的解释变量是无法观测的或难以获得数据，我们就用t变量作为它们的替代变量。 EViews 输出结果为 Dependent Variable: LOG(GDP) Method: Least Squares Date: 12/29/04 Time: 06:14 Sample: 1985 2003 Included observations: 19 Variable Coefficient Std. Error t-Statistic Prob. C 9.009066 0.017940 502.1731 0.0000 t 0.089869 0.001573 57.11571 0.0000 R-squared 0.994816 Mean dependent var 9.907757 Adjusted R-squared 0.994511 S.D. dependent var 0.507037 S.E. of regression 0.037566 Akaike info criterion -3.626147 Sum squared resid 0.023990 Schwarz criterion -3.526733 Log likelihood 36.44840 F-statistic 3262.204 Durbin-Watson stat 0.473619 Prob(F-statistic) 0.000000 （二）对数到线性模型 类似于线性到对数的半对数模型，如果我们想测度解释变量的相对改变量对被解释变量的绝对改变量的影响，我们就需要使用解释变量是对数形式，被解释变量是线性形式的回归模型。 （3.64） 我们称式（3.64）为对数到线性模型。模型中斜率系数的含义为解释变量X 相对量改变1个单位时，被解释变量Y的绝对变化量。 （3.65） （3.66） 当