第3章多元線性回归方法.docVIP

第3章：多元线性回归方法 3.1模型的设定形式及经济含义 多元线性回归模型的基本形式为 (3-2-1) 设置该类模型的目的在于，测度解释变量对因变量的影响，并假定这种影响是线性的，即满足的条件。模型中的变量被称为控制变量，而且这些控制变量对因变量的影响也假定是线性的。在测度解释变量对因变量的影响时，如果模型中不引入比较充足的控制变量的话，我们很难正确估计对因变量的真实影响，而且模型也很难满足基本假定，且样本回归方程的拟合优度也会较低。所以，在实际应用研究中，一元线性回归模型很少用到。 模型中每个回归系数的经济含义可以解释为在其它因素（变量）不变的条件下，变量没变动一个单位，因变量一定会变动个单位。 在一个广义的多元线性回归模型中，比如 （3-2-2） 中，回归系数的经济含义就会不同。由 （3-2-3） 我们可以推之的经济含义是弹性系数，可解释为在其它因素（变量）不变的条件下，变量每变动百分之一，因变量一定会变动百分之。 3.2模型的估计方法及前提假定 在模型满足基本假定的条件下，用普通最小二乘法（OLS）可以得到多元线性回归模型的无偏、有效、一致性估计。估计公式用矩阵公式表达为： （3-2-4） 其中： （3-2-5） 3.3模型的拟合优度检验 可以用定义样本决定系数，具体计算样本回归方程的拟合优度，其定义式为： （3-2-6） 具体计算式为： (3-2-7) 且。 但在用样本决定系数衡量和比较不同的多元回归方程的拟合优度时，会面临两个问题：一是，样本容量大的，TSS会增加；二是，解释变量多的，RSS会减小。所以，为使解释变量个数和样本容量不同的使用最小二乘法则估计的回归方程之间的有可比性，最好使用校正决定系数： （3-3-8） 3.4模型的统计/显著性检验 对单个总体参数的假设检验：t检验 在这种检验中，我们需要对模型中的某个（总体）参数是否满足虚拟假设：，做出具有统计意义（即带有一定的置信度）的检验，其中为某个给定的已知数。特别是，当=0时，称为参数的显著性检验。如果拒绝，说明解释变量对被解释变量具有显著的线性影响，估计值才敢使用；反之，说明解释变量对被解释变量不具有显著的线性影响，估计值对我们就没有意义。具体检验方法如下： 给定虚拟假设 ：； 计算统计量 的数值； 在给定的显著水平下（不能大于即10%，也即我们不能在置信度小于 90%以下的前提下做结论），查出双尾t（）分布的临界值； 如果出现 的情况，检验结论为拒绝；反之，无法拒绝。 检验方法的关键是统计量 必须服从已知的分布函数。什么情况或条件下才会这样呢？这需要我们建立的模型满足如下的条件（或假定）： 随机抽样性。我们有一个含次观测的随机样本。 这保证了误差自身的随机性，即无自相关性，。 条件期望值为0。给定解释变量的任何值，误差的期望值为零。即有 这也保证了误差独立于解释变量，即模型中的解释变量是外生性的，也使得。 （3） 不存在完全共线性。在样本因而在总体中，没有一个解释变量是常数，解释变量之间也不存在严格的线性关系。 同方差性。。 （5） 正态性。误差满足 。 在以上5个前提下，才可以推导出： 由此可见， 检验方法所要求的条件是极为苛刻的。 对参数的一个线性组合的假设的检验 需要检验的虚拟假设为 ：。比如。无法直接检验。设立新参数 。原虚拟假设等价于：。将代入原模型后得出新模型： （3-2-9） 在模型（3-2-9）中再利用检验方法检验虚拟假设：。 我们甚至还可以检验这样一个更一般的假设： t统计量为 对参数多个线性约束的假设检验：F检验 需要检验的虚拟假设为 ：。该假设对模型 (3-2-1) 施加了个排除性约束。模型 (3-2-1)在该约束下转变为如下的新模型： （3-2-10） 模型(3-2-1)称为不受约束（ur）的模型，而模型（3-2-10）称为受约束（r）的模型。模型（3-2-10））也称为模型(3-2-1)的嵌套模型，或子模型。分别用OLS方法估计模型后，可以计算出如下的统计量： 关键在于，不需要满足t检验所需要的假定（3），统计量F就满足：。利