第3章 多元线归模型.docVIP

计量经济学 课程教案 授课题目（教学章、节或主题）： 第3章　多元线性回归模型 授课时间 安 排 第6、7周共4课时 教学器材与工具 多媒体 授 课 类 型 （请打√） 理论课√讨论课□ 实验课□ 习题课□ 双语课程□ 其他□ 教学目的、要求（分掌握、熟悉、了解三个层次）： 1、熟悉多元线性回归模型的基本假定； 2、掌握多元线性回归参数估计方法； 3、熟悉多元线性回归模型拟合优度的度量； 4、掌握回归系数的估计和假设检验。 教学重点及难点： 回归系数的估计和假设检验 教 学 基 本 内 容 §3.1 多元线性回归模型 §3.2 多元线性回归模型的参数估计 §3.3 多元线性回归模型的统计检验 §3.4 多元线性回归模型的预测 §3.5 回归模型的其他形式 教学过程设计： 一、引入 二、讲授 三、小结 教学方法及手段（请打√）：讲授√、讨论□、多媒体讲解√、模型、实物讲解□、挂图讲解□、音像讲解□等。 作业、讨论题、思考题： 多元线性回归分析中，为什么要对可决系数加以修正？ 参考资料（含参考书、文献等）：《计量经济学》，（美）D.Gujarati著，林少宫译；《计量经济学》，李子奈编著；《经济计量学精要》，（美）D.Gujarati著，张寿等译。 课后小结：本章我们讨论多元回归模型，介绍了一些新的概念，比如偏回归系数，校正的和非校正的多元判定系数，多重共线性等。就多元回归参数估计而言，我们仍然是在普通最小二乘估计的框架下进行参数估计的。我们可以用两种不同的检验方法—显著性检验法和置信区间法进行假设检验。 第3章　多元线性回归模型 在这一章中，我们讨论具有两个或多个自变量(除常数项以外)的回归模型，即多元回归模型。我们要描述古典多元回归模型的基本假设，并说明如何获得参数的最小二乘估计。然后我们讨论回归系数的含义。我们将看到，回归方程中解释变量之间的相互作用会产生一些问题。 在这一章中我们尤其着重讨论各种有助于解释模型的回归统计量，包括标准化系数、弹性和偏相关系数。 3.1 模型 假设因变量Y是多个自变量X1，X2，…，XK和误差项的线性函数，就可以将一元线性回归模型加以推广。因为多元线性回归模型是一元线性回归模型的自然推广，所以我们不需要详细推导所有以前的结论。 我们将多元线性回归模型写为： 其中Y是因变量，X1，X2，…，XK是自变量，是误差项。举例来说，X2i代表解释变量X2的第i个观测值。βi是方程的常数项，或截距。 多元回归模型的假设与一元模型非常相似： 1. Y与X之间的关系是线性的，并且如式(4-1)所示。 2. X不是随机变量，并且在两个或多个自变量之间没有精确的线性关系。 3. 所有观测值的误差项的期望值都为0。 4. 所有观测值的误差项具有相同的方差。 5. 不同观测值的误差项之间相互独立，因而不相关。 6. 误差项服从正态分布。 为简化起见，我们用一个特殊的多元回归模型，即二元模型来说明问题 最小二乘法就是寻找能够使残差平方和达到最小的参数估计。残差平方和定义如下： 我们可以找到使ESS达到最小的βi、β2和β3的值。假设观测值的个数多于三个且各方程是相互独立的，βi、β2和β3的解为： 其中: 3.2 回归统计量 为了检验每一个回归系数的统计显著性，我们自然会问高斯-马尔可夫定理是否适用于多元回归模型，我们是否可以获得方差σ2的无偏估计以及回归参数估计的分布等信息。这里我们概括地给出一些重要结论： 1. 在多元回归模型假设1-5成立的条件下，高斯-马尔可夫定理对多元回归模型同样适用，即各系数βj，j= 1 , 2 ,.,k的普通最小二乘估计量是最佳线性无偏估计量(当误差项服从正态分布时，普通小二乘估计量等价于极大似然估计量)。 2. 下式是σ2的一个无偏且一致的估计: 3. 当误差项服从正态分布时，可用t检验，因为对于所有的j= 1 , 2 ,.,k 换句话说，经过标准化(即减去均值，除以标准差)的回归参数估计服从自由度为N-k的t分布。因为我们常常会用二元回归模型做例子，我们在这里给出三个公式，前两个是各系数方差的估计，第三个是两者的协方差： 其中，是x2和x3之间的简单相关系数。 3.3 F 检验、R2和调整的R2 的方法。第二，R2对模型中自变量的个数敏感。在回归方程中加入更多的自变量不会降低R2 ，只有可能增加R2(增加新的解释变量不会改变TSS，但是可能会增加RSS)。因此，如果希望使R2增大，只要往方程中加入新的变量即可。最后，对于没有截距项的模型，R2的使用及解释就会比较困难。在这种情况下，回归平方和与总偏差平方和的比值不一定在0-1之间。 用R2度量拟合优度的困难在于R2只涉及Y的总变差中