第四章 元线性回归模型.docVIP

第四章 多元线性回归模型 在一元线性回归模型中，解释变量只有一个。但在实际问题中，影响因变量的变量可能不止一个，比如根据经济学理论，人们对某种商品的需求不仅受该商品市场价格的影响，而且受其它商品价格以及人们可支配收入水平的制约；影响劳动力劳动供给意愿（用劳动参与率度量）的因素不仅包括经济形势（用失业率度量），而且包括劳动实际工资；根据凯恩斯的流动性偏好理论，影响人们货币需求的因素不仅包括人们的收入水平，而且包括利率水平等。当解释变量的个数由一个扩展到两个或两个以上时，一元线性回归模型就扩展为多元线性回归模型。本章在理论分析中以二元线性回归模型为例进行。 一、预备知识 （一）相关概念 对于一个三变量总体，若由基础理论，变量和变量之间存在因果关系，或的变异可用来解释的变异。为检验变量和变量之间因果关系是否存在、度量变量对变量影响的强弱与显著性、以及利用解释变量去预测因变量，引入多元回归分析这一工具。 将给定条件下的均值 （4.1） 定义为总体回归函数（Population Regression Function,PRF）。定义为误差项（error term）,记为，即，这样，或 （4.2） （4.2）式称为总体回归模型或者随机总体回归函数。其中，称为解释变量（explanatory variable）或自变量（independent variable）；称为被解释变量（explained variable）或因变量（dependent variable）；误差项解释了因变量的变动中不能完全被自变量所解释的部分。 在总体回归模型（4.2）中参数是未知的，是不可观察的，统计计量分析的目标之一就是估计模型的未知参数。给定一组随机样本，对（4.1）式进行估计，若的估计量分别记为，则定义（4.3）式为样本回归函数 （） （4.3） 注意，样本回归函数随着样本的不同而不同，也就是说是随机变量，它们的随机性是由于的随机性（同一组可能对应不同的）、各自的变异、以及之间的相关性共同引起的。定义为残差项（residual term）,记为，即，这样，或 （） （4.4） （4.4）式称为样本回归模型或者随机样本回归函数。样本回归模型中残差项可视为总体回归模型中误差项的估计量。 （二）多元线性回归模型的矩阵表示 多元线性回归模型的参数估计比一元线性回归模型要复杂得多，为了便于计算和分析，便于将结果由三变量总体推广到一般的多变量总体，引入矩阵这一工具简化计算和分析。 设是取自总体的一组随机样本。在该组样本下，总体回归模型（4.2）式可以写成方程组的形式 利用矩阵运算，可表示为 （4.5） 记，,, 则在该组样本下，总体回归模型的矩阵表示为 （4.6） 记, 则样本回归模型的矩阵表示为 （4.7） （三）模型假定 假定1 回归模型是参数线性的，并且是设定正确的。 假定2 随机误差项与解释变量不相关。即 ，。 如果解释变量是非随机的，则该假设自动满足。 假定3 零均值假定。即 ， 假定4 同方差假定。即 ， 假定5 无自相关假定。即两个误差项之间不相关 ，， 假定6 解释变量与之间不存在完全共线性，即两个解释变量之间无确切的的线性关系。 假定7 正态性假定。即 ～， （四）参数估计与估计量的分布 系数向量的OLS估计为 （4.8） 其中，为的转置矩阵。在随机误差项服从正态分布的假定下，系数向量的估计量也服从正态分布，即 ～ （4.9） 记的第j个主对角元素为，则 ～ （4.10） 有了系数估计量的分布，就可以对总体参数做假设检验。与双变量总体相同，总体误差是不可观察的，因而其方差是未知的。若用的无偏估计量代替，则OLS估计量服从自由度为的t分布，而不是正态分布，即