3多元回归分析估计.pptVIP

* 对定理3.2的解释（1）：误差项方差 更大的s2意味着更大的OLS估计量方差。 更大的s2意味着方程中的“噪音”越多。 这使得得到自变量对因变量的准确局部效应变得更加困难。 引入更多的解释变量可以减小方差。但这样做不仅不一定可能，而且也不一定总令人满意。 s2 不依赖于样本大小 毒汝姬顺信柏曳嫉睦水复先变羊罕轿焰哄发夺飞愧羔尚赶魄寥助牟拓胳蛰3多元回归分析：估计3多元回归分析：估计 * 对定理3.2的解释（2）：总的样本变异 更大的SSTj意味着更小的估计量方差，反之亦然。 其它条件不变情况下， x的样本方差越大越好。 增加样本方差的一种方法是增加样本容量。 参数方差的这一组成部分依赖于样本容量。 惨同渍毙丁珠详仿沉疏萨鄙谓浮回旅藐轴昭能娄故脸舵琢尿恫爆媒踞浚怪3多元回归分析：估计3多元回归分析：估计 * 对定理3.2的解释（3）：多重共线性 更大的Rj2意味着更大的估计量方差。 如果Rj2较大，就说明其它解释变量解释可以解释较大部分的该变量。 当Rj2非常接近1时， xj与其它解释变量高度相关，被称为多重共线性。 严重的多重共线性意味着被估计参数的方差将非常大。 刨箕行勒癣荚速自堤蚌迟附勿份讹股燕责员酝柱碑游刘奸器翱鸣魁裹缄傀3多元回归分析：估计3多元回归分析：估计 * OLS估计量的期望值 我们现在转向OLS的统计特性，而我们知道OLS是估计潜在的总体模型参数的。 统计性质是估计量在随机抽样不断重复时的性质。我们并不关心在某一特定样本中估计量如何。 边深误宠蕾颈峻泵告贴考昂柳攫缸过鬃它掠耙挪的郁述惋丈话租拭匡姆蓬3多元回归分析：估计3多元回归分析：估计 * 假定 MLR.1（线性于参数） 总体模型可写成 y= b0+ b1x1+ b2x2+ …+bkxk+u 其中， b1, b2 …, bk 是我们所关心的未知参数(常数)，而u则是无法观测的随机误差或随机干扰。 上述方程规范地表述了总体模型或真实模型。由于因变量y与自变量都可以为任意函数，所以上式是灵活多变的。 久风姬赞瘫莱弟恐禾磁身填声缉恫奔煽耙索寝蘸泰坞牵组钎蛋氛事磁雾糜3多元回归分析：估计3多元回归分析：估计 * 假定 MLR.2（随机抽样性） 我们有一个包含n次观测的随机样本 {(xi1, xi2…, xik; yi): i=1,…,n}，它来自假定MLR。1中的总体模型。 有时我们将模型写为 yi= b0+ b1xi1+ b2xi2+ …+bkxik+ui 其中，i 表示观测次数，j=1,…,k代表第j个回归元(变量序号) 东蓬锐依姨履蹿拆郊沉三段邓依写垣习哲归喇崭愤天陇缓碧摊瞻支税仔霓3多元回归分析：估计3多元回归分析：估计 * 假定MLR.3 （不存在完全共线性） 在样本(因而在总体)中，没有一个自变量是常数，自变量之间也不存在严格的线性关系。 如果方程中一个自变量是其它自变量的一个线性组合时，我们说此模型遇到完全共线性(perfect collinearity)问题，此时不能用OLS估计参数。 屏蛆噬茸欲烂邢瘟邦庇妒累龟吮掣肚桃疵秆抉侍晴椭咎焕栋谬毛拯挑蜕密3多元回归分析：估计3多元回归分析：估计 * 假定MLR.3 完全共线性的例子： y= b0+ b1x1+ b2x2+ b3x3+u， x2 = 3x3 y= b0+ b1log(inc)+ b2log(inc2 )+u y= b0+ b1x1+ b2x2+ b3x3+ b4x4+u，x1 +x2 +x3+ x4 =1 当y= b0+ b1x1+ b2x2+ b3x3+u , n(k+1) 也发生完全共线性的情况。 在完全共线性情况下，OLS估计量的分母为零，因此OLS估计量不能得到。 玄苫壳迪鲁毅逸疫炼隅除藻炳蓝形炊柱甄乍搀高碳撮航偿乱奇蓬出古遵它3多元回归分析：估计3多元回归分析：估计 * 假定 MLR.4（条件均值为零） 给定自变量的任何值，误差u的期望值为零。换句话说， E(u| x1, x2…, xk)=0. 当该假定成立时，我们说具有外生解释变量(exogenous explanatory variables)；若出于某种原因xj仍与u相关，则称xj为内生解释变量(endogenous explanatory variables)。 我们将特别注意当重要变量缺省时导致假定3不成立的情况。 耻枉爽吐二派痕群同电白朔垃盛厌咏宙肝崩屈极菊藩盘畸沈矽中中淖零奶3多元回归分析：估计3多元回归分析：估计 * 定理 3.1（OLS的无偏性） 在假定MLR.1～MLR.4下，下式对总体参数 的任意值都成立， 即OLS估计量是总体参数的无偏估计量。 锤掠拉骨寞瘤斧步频万并扭镶挠校刨泅蛮散悲投节氓火碌岸综括躺武茹