第二章(古典下、08).pptVIP

合肥师范学院经济系 第一节 古典回归模型 第二节 回归模型的参数估计 第三节 回归模型的统计检验 第四节 非线性回归模型 第三节 回归模型的统计检验 回归分析中主要是通过一些统计检验方法来保证模型在统计意义上（即以样本推断总体）的可靠性。 1．总平方和分解公式 2．判定系数R2： 调整判定系数:判定系数受解释变量X的个数k的影响，在k的个数不同的模型之间进行比较时，判定系数必须进行调整。调整的思路是:将残差平方和与总离差平方和分别除以各自的自由度，以剔除变量个数对拟合优度的影响。在一定程度上避免将影响微弱的变量错误地加入到模型中。） 二、模型的显著性检验 若F Fα，则拒绝H0，可以认为模型的线性关系是显著的；（一般在软件回归结果里用P值决策） 若F Fα，则接受H0，认为模型的线性关系不显著，回归模型无效。 2．R2检验与F检验的关系 三、解释变量的显著性检验(偏回归系数检验) 解释变量显著性检验通不过的原因可能在于: 一、可线性化模型 二、不可线性化模型 三、回归模型的比较 练习题 第四节 非线性回归模型 对于非线性模型，通常是将其转化成线性模型进行估计。 设: 对于双对数模型，因为 : 半对数模型中的回归系数b的含义： 对数函数模型中， 4．多项式模型 二、不可线性化模型 （2）将模型在点（a0,b0,c0）处展开成泰勒级数，并取一阶近似值； 2．迭代估计法的EViews软件实现 如，对于非线性回归模型y=a(x-b)/(x-c)+ε，则 例（选学） 现建立C-D（Cobb-Dauglas）生产函数： 得到C-D生产函数的估计式为： 操作演示 ③在弹出的方程描述对话框（Equation specification）中输入非线性模型的方程表达式： 三、回归模型的比较 2．模型估计结果观察分析 在方程窗口点击View \ Actual,Fitted,Residual\ Tabe（或Graph），可以观察分析以下内容： 例（选学） 我国税收预测模型的比较分析（例1续）。 再估计各个非线性回归模型： LS LNY C LNX （双对数模型） 指数函数模型残差分布表 （4）拟合预测分析 指数函数拟合预测图 二次函数模型残差分布表 ： 对于二次函数模型，在方程窗口中直接点击Forcast按纽，就可以得到其在样本期的拟合预测值，设命名为Y2。而对于指数函数模型，需要先在方程窗口中由Forcast按纽得到lnY的预测值，设命名为LNYF，然后再计算Y的预测值Y1，即： GENR Y1=EXP（LNYF） 然后打入命令： PLOT Y Y1 PLOT Y Y2 即可得到模型1、2的拟合预测图（见下图）： * 一、 模型的拟合优度检验 所谓“拟合优度”，即模型对样本数据的近似程度（回归直线与样本数据趋势的吻合程度)，常用判定系数反映。 （2-6） 上式记成 TSS = ESS + RSS 其中，TSS称为总平方和（或总离差平方和），ESS称为回归平方和（或可解释的平方和），RSS称为残差平方和（或剩余平方和）。 （2-6）式称为总平方和分解公式 Yi 如果Yi=?i 即实际观测值落在样本回归“线”上，则拟合最好。可认为，“离差”全部来自回归线，而与“残差”无关。 用回归平方和(ESS)占总平方和(TSS)的比重作为衡量模型对样本拟合优度的指标，该指标称为判定系数（或可决系数），用符号R2表示，即 （2-7） 显然，0≤ R2≤1 , R2的值越接近于1，则表明模型对样本数据的拟合优度越高。 判定系数不仅反映了拟合程度的优劣，而且有直观的经济含义：它定量地描述了y 的变化中可以用解释变量的变化来说明的部分，即模型的可解释程度。 判定系数是一个非负的统计量,随着抽样的不同而不同。 除了调整的判定系数 之外，人们还使用另外两个指标SC（Schwarz Criterion，施瓦兹准则）和AIC (Akaike Information Criterion，赤池信息准则)来比较含有不同解释变量个数模型的拟合优度： 其值越小表明模型的拟合优度越高。 ? 模型的显著性检验，就是检验模型对总体的近似程度。最常用的检验方法是F检验或者R2检验。 1．F检验 对于多元线性回归模型 假设H0： b1=b2=…=bk=0 在原假设成立的情况下，可以证明： 对于给定的显著水平α，可由F分布表查得临界值Fα（注意是单侧检验）： 检验通不过的原因可能在于： ⑴ 所选取的解释变量不是