计量经济学课件2.3.pptVIP

§2.3 一元线性回归模型的统计检验 一、拟合优度检验 二、变量的显著性检验 三、参数的置信区间 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。 主要包括拟合优度检验、变量的显著性检验及参数的区间估计。 一、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）R 2 TSS(Total sum of squares)为总体平方和，反映样本观测值总体离差的大小； ESS(Explained sum of squares)为回归平方和，反映由模型中解释变量所解释的那部分离差的大小； RSS(Residual sum of squares)为残差平方和，反映样本观测值与估计值偏离的大小，也是模型中解释变量未解释的那部分离差的大小。 R2表示模型拟合的程度，称为拟合优度或决定系数(coefficient of determination)。在相关分析中R2也称为复相关系数。 因为 0≤ESS ≤ TSS，0 ≤ RSS ≤ TSS 所以 0 ≤ R2 ≤1 对于变量之间的关系，有多种分析方法。 除了回归分析方法之外，相关分析方法也可以用于分析变量之间的关系。 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。 基本任务：根据样本所提供的信息，对未知总体分布的某些方面的假设作出合理的判断。 基本思想：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，是基于小概率事件原理，即 “小概率事件在一次试验中几乎是不可能发生的” 。 如果小概率事件没有发生，则应该接受原假设。 如果在假设H0正确的前提下，导致了不合理的结果(即小概率事件发生)，则表明“假设H0正确”是错误的，因此要拒绝原假设H0 ，而接受备择假设。 变量的显著性检验步骤如下： 1.提出原假设H0：?1=0，以及对立假设H1：?1≠0； 2.以原假设H0构造t 统计量，并由样本计算其值 * * 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。 拟合优度检验，是把全部样本观测值的变化情况作为一个整体来全面反映。 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？ 在一个特定条件下做得最好的并不一定就是高质量的。 OLS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. y x 图2 y x 图1 由样本回归模型和样本回归方程，可以得到 显然这是一个无条件的恒等式。 总偏差(即离差) 可解释偏差(回归偏差) 残差 (随机偏差) 1、总离差平方和的分解 Y i X 来自残差 来自回归 若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。 是样本回归拟和值与观测值的平均之差，可以认为是由回归直线解释的部分； 是实际观测值与回归拟和值之差，可以认为是回归直线不能解释的部分。 这只反映了一个样本点的偏差分解情况。 要从整体上反映样本回归方程（样本回归线）对所有 样本点的拟合的好坏，必须求和。 为了避免求和过程中正负抵消，采用平方和的形式。 证： 0 即 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)，另一部分则来自随机势力(RSS)。 显然，ESS在TSS中所占比例越大，RSS在TSS中 所占比例越小，说明回归参数估计值的显著性越强。 因此，拟合优度： R 2 = ESS/TSS 即样本回归线 得越好。 TSS = ESS + RSS 2. 拟合优度(可决系数) R2 统计量 定义： 对于一元线性回归模型 可决系数的取值范围：[0, 1] R2越接近1，说明实际观测点离样本线越近，拟合优度越高。 在实际应用中， R2达到多大才算通过了检验，没有绝