计量经济学 第4章.pptVIP

Introductory Econometrics for Finance Copyright 2002, Chris Brooks 计量经济学 第 4 章 一元回归模型的参数检验 回归分析是要通过样本所估计的参数来代替总体的真实参数，或者说是用样本回归线代替总体回归线。 样本是一次抽样取得的，很难能够收集到总体。 尽管从统计性质上已知，如果有足够多的重复抽样，参数的估计值的期望（均值）就等于其总体的参数真值，但在一次抽样中，估计值不一定就等于该真值。 那么，在一次抽样中参数的估计值与真值的差异有多大，是否显著，这就需要进一步进行统计检验。 统计检验的方法主要有 拟合优度检验 置信区间检验 t检验 F检验（下一章） 4.1 拟合优度检验 拟合优度检验：对样本回归直线与样本观测值之间拟合程度的检验。 度量拟合优度的指标：判定系数（可决系数）R2 关于R2的说明 4.2 变量的显著性检验 回归分析是要判断解释变量X是否是被解释变量Y的一个显著性的影响因素。 回归的参数是否是可靠的 如果有多个变量，那个自变量应该进入，而哪个变量应该剥离 4.2.1 假设检验 假设检验，就是事先对总体参数或总体分布形式作出一个假设，然后利用样本信息来判断原假设是否合理，即判断样本信息与原假设是否有显著差异，从而决定是否接受或否定原假设。 假设检验采用的逻辑推理方法是反证法！ 先假定原假设正确，然后根据样本信息，观察由此假设而导致的结果是否合理，从而判断是否接受原假设。 判断结果合理与否，是基于“小概率事件不易发生”的原理 一次抽样中，尽然不能支持原假设，也就是举反例否决。 确定拒绝域 4.3 参数的置信区间检验法 如果我们能够以5%以及以上的显著性水平拒绝某个检验的零假设，则称这个检验在统计上是显著的。 意思是：回归参数明显不是“零假设” T检验和置信区间检验的结论是一致的。 4.3 参数的置信区间检验法 这2种方法可以得到相同的结论。 在显著性检验中，我们在下面的情况下不拒绝零假设 H0 ： ? = ?* ，即统计量落在非拒绝域内， 整理，得 这样就回到了置信区间方法。 在假设检验中可能犯的错误！ 如果统计量在某个选定的置信水平上是显著的，那么我们会拒绝零假设H0. T在这个过程中，我们可能会犯2种错误: 1. 当 H0 是正确的时候，我们拒绝了它，我们称其为第一类错误. 2. 当 H0 是错误的时候，我们没有拒绝了它，我们称其为第二类错误. 第一类错误和第二类错误之间的取舍 犯第一类错误的概率是?. 回忆显著性水平的含义：当零假设是真的情况下，统计量落在拒绝域内的概率只有?. 当我们降低第一类错误发生的同时我们提高了第二类错误发生的概率: 因此，第一类错误和第二类错误之间存在一种取舍的关系。能够同时降低这2种错误发生概率的唯一途径是提高样本的规模。 讨论：回归中的问题 已知回归模型 上机练习：汽车零售额 从课件系统下载“汽车零售额”数据 对数据进行描述性统计 建立GWY（收入总水平）来解释（GCDAN）汽车零售额的回归方程 对回归结果进行检验 显著性检验 置信区间检验 拟合优度检验：原假设参数为0 若将截距项的原假设设置为10，斜率系数设置为0.05，请在99%置信水平下对其进行参数检验。 进行无截距项的回归并进行参数检验，将该回归结果与带截距项的回归结果进行比较，请说明你最终愿意用哪个方程进行回归。 第四章个人作业 请到我的个人主页下载“第四章课后作业”，要求个人完成。 * * 问题：采用普通最小二乘估计方法，已经保证了模型最好地拟合了样本观测值，为什么还要检验拟合程度？ 普通最小二乘法所保证的最好拟合，是同一个问题内部的比较，拟合优度检验结果所表示的优劣是不同问题之间的比较。两个同样满足最小二乘原则的模型，对样本观测值的拟合程度不一定相同。 4.1.1 总离差平方和的分解 已知由一组样本观测值（Xi,Yi），i=1,2…,n得到如下样本回归直线 如果Yi=?i 即实际观测值落在样本回归“线”上，则拟合最好。 这时，“离差”全部来自回归线，而与“残差”无关。 对于所有样本点，则需考虑这些点与样本均值离差的平方和，可以证明： 记 总体平方和（Total Sum of Squares） 回归平方和（Explained Sum of Squares） 残差平方和（Residual Sum of Squares ） 要证明 只要证明 由于 所以 TSS=ESS+RSS Y的观测值围绕其均值的总离差(total variation)可分解为两部分：一部分来自回归线(ESS)，另一部分则来自残差平方和(RSS)。 在给定样本中，TSS不变，如果实