第二章(古典回归模型上).pptVIP

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 一、回归分析 二、模型的随机设定 三、古典回归模型的基本假定 练习题 三、 古典回归模型的基本假定 一、最小二乘估计（OLS） 二、一元线性回归模型的参数估计 三、多元线性回归模型的参数估计 四、最小二乘估计的性质 第二节 回归模型的参数估计 一、最小二乘原理（Ordinary Least quare——OLS） 二、利用OLS法估计一元线性回归模型参数 解正规方程组可得： 例1. 我国税收预测模型。表2-3列出了我国1995～2008年期间税收收入Y和国内生产总值 X的统计资料（时间序列数据），试利用EViews软件建立一元线性回归模型。 （1）建立工作文件： Workfilefrequency中选择数据的频率，可选的频率包括年度、半年、季度、月度、星期、天（每周5天、每周7天）以及非时间序列或不规则数据。可在Start date文本框中输入起始日期，End date文本框中输入终止日期，年度与后面的数字用：分隔。日期的表示法为：年度：二十世纪可用两位数，其余全用四位数字；半年：年后加1或2；季度：年后加1-4；月度：年后加1-12；星期：月/日/年；日：月/日/年；非时间序列或不规则数据：样本个数。 在EViews软件的命令窗口中直接键入CREATE命令，也可以建立工作文件；命令格式为： CREATE 时间频率类型 起始期 终止期 例如：CREATE A 95 08 （3）估计回归模型： 在EViews软件的命令窗口中，也可以直接键入LS命令来估计模型。命令格式为： LS 被解释变量 C 解释变量 其中，C表示常数项；例如： LS Y C X 表2-5 我国城镇居民家庭2008年收支情况 （3）估计回归模型： LS Y C X 三、多元线性回归模型的参数估计 若定义矩阵： 例3.我国国有独立核算工业企业生产函数。根据生产函数理论，生产函数的基本形式为： Y=?（t，L，K，μ）。其中，L、K分别为生产过程中投入的劳动与资金，时间变量t反映了技术进步的影响。试利用EViews软件建立线性生产函数： Y=b0+b1t+b2L+b3K+ε 课外练习题 1、如何理解OLS估计。 2、如何利用OLS法估计多元线性回归模型参数，写出推导过程。 3、上机练习本节例题1、2、3及教材例2-2、3。熟悉和掌握Eviews软件的使用。 第二节 回归模型的参数估计 四、 最小二乘估计的性质 （3）一致性：这是估计量的一个大样本性质，如果随着样本容量的增加，估计量 越来越接近于真值，则称 为β的一致估计。严格地说， 是依概率收敛于β,即： 其中δ为一个任意小的正数。 2、高斯—马尔可夫定理 在古典回归模型的若干假定成立的情况下，最小二乘估计是所有线性无偏估计量中的有效估计量。 这就是著名的高斯—马尔可夫定理，它表明：最小二乘估计与用其它方法得到的任何线性无偏估计量相比，具有方差最小的特性。所以称OLS估计为“最佳线性无偏估计量”（Best Linear Unbiased Estimator— BLUE），这也是最小二乘估计被广泛使用的原因之一。 现仅就一元线性回归模型给出高斯—马尔可夫定理的证明。 （2）无偏性 （3）有效性（最小方差性） 则应有 而且等号只有当时ci=ki才能成立；也就是说，对于b的任意一个线性无偏估计量，其方差均大于最小二乘估计的方差。同理可以证得 的有效性。 而且 所以 （注意yi也是互不相关的） （D(yi)= D(μi)=σ2 ） 从定理的证明过程可以看出，“OLS估计是最佳估计量”这个结论是有一些前提条件的，只有在古典回归模型的若干假定成立的情况下，OLS估计才具有无偏性、有效性等优良的统计性质。 * 1．解释变量x为非随机变量。 2．零均值假定：E(εi ) = 0 3．同方差假定： D(εi) =σ2（常数） 4．无自相关假定：Cov(εi, εj)=0（i≠j） 5．解释变量与随机误差项不相关假定： Cov(xi, εi)=0（或E(xiεi)=0） 6．无多重共线性假定 。 7、μi服从正态分布，即εi ～N(0，σ2 )。 Yi～N(a+bxi,σ2) 将满足这些假定的回归模型称为古典回归模型。 对于一元线性回归模型：yi＝a＋bxi＋ei 选择最佳拟合曲线的标准为：使总的拟合误差（即总残差）达