北大光华金融硕士统计学考研-多元回归讲述.ppt

新祥旭 新祥旭北京大学光华考研 统计学考研辅导班讲义 多元线性回归模型 多元线性回归模型 多元线性回归模型的参数估计 多元线性回归模型的假设检验 实例 §1 多元线性回归模型 一、多元线性回归模型 二、多元线性回归模型的基本假定 一、多元线性回归模型 多元线性回归模型:表现在线性回归模型中的解释变量有多个。 一般表现形式： i=1,2…,n 其中:k为解释变量的数目，?j称为回归参数（regression coefficient）。 一、多元线性回归模型 多元线性回归模型:表现在线性回归模型中的解释变量有多个。 一般表现形式： i=1,2…,n 其中:k为解释变量的数目，?j称为回归参数（regression coefficient）。 总体回归函数为: 总体回归函数的随机表达形式为 可以看到是对应于一元线形回归模型的，是一元线性回归模型的 自然引申与扩展！ ?j也被称为偏回归系数，表示在其他解释变量保持不变的情况下，X j每变化1个单位时，Y的均值E(Y)的变化; 或者说?j给出了X j的单位变化对Y均值的“直接”或“净”（不含其他变量）影响。 其随机表示式: ei称为残差或剩余项(residuals)，可看成是总体回归函数中随机扰动项?i的近似替代。 用于估计总体回归函数的样本回归函数是 二、多元线性回归模型的基本假定 假设1，解释变量是非随机的或固定的，且各X之间互不相关（无多重共线性）。 假设2，随机误差项具有零均值、同方差及不序列相关性。 假设3，解释变量与随机项不相关 假设4，随机项满足正态分布 §2 多元线性回归模型的估计 一、普通最小二乘估计 二、参数估计量的性质 三、样本容量问题 四、估计实例 说 明 估计方法：OLS（普通最小二乘法） 一、普通最小二乘估计 对于随机抽取的n组观测值 如果样本函数的参数估计值已经得到，则有： i=1,2…n 根据最小二乘原理，参数估计值应该是右列方程组的解 其中 于是得到关于待估参数估计值的正规方程组： 解该（ k+1） 个方程组成的线性代数方程组，即 可得到(k+1) 个待估参数的估计值 $ , , , , , b j j = 0 1 2 L 。 k ?随机误差项?的方差?的无偏估计 可以证明，随机误差项?的方差的无偏估计量为： 二、参数估计量的性质 在满足基本假设的情况下，其结构参数?的普通最小二乘估计具有： 线性性、无偏性、有效性。 -------也就是满足高斯-马尔柯夫定理 三、样本容量问题 所谓“最小样本容量”，即从最小二乘原理和最大或然原理出发，欲得到参数估计量，不管其质量如何，所要求的样本容量的下限。 ⒈ 最小样本容量 样本最小容量必须不少于模型中解释变量的数目（包括常数项）,即 n ≥ k+1 2、满足基本要求的样本容量 从统计检验的角度： n-k≥8时, t分布较为稳定 一般经验认为: 当n≥30或者至少n≥3(k+1)时，才能说满足模型估计的基本要求。 模型的良好性质只有在大样本下才能得到理论上的证明 §3 多元线性回归模型的统计检验 一、拟合优度检验 二、方程的显著性检验(F检验) 三、变量的显著性检验（t检验） 四、参数的置信区间 一、拟合优度检验 1、判定系数与调整的判定系数 则 总离差平方和的分解 由于: =0 所以有： 注意：一个有趣的现象 判定系数 该统计量越接近于1，模型的拟合优度越高。 问题：在应用过程中发现，如果在模型中增加一个解释变量， R2往往增大（Why?) 这就给人一个错觉：要使得模型拟合得好，只要增加解释变量即可。—— 但是，现实情况往往是，由增加解释变量个数引起的R2的增大与拟合好坏无关，R2需调整。 调整的判定系数（adjusted coefficient of determination） 在样本容量一定的情况下，增加解释变量必定使得自由度减少，所以调整的思路是:将残差平方和与总离差平方和分别除以各自的自由度，以剔除变量个数对拟合优度的影响: 其中：n-k-1为残差平方和的自由度，n-1为总体平方和的自由度。 二、方程的显著性检验(F检验) 方程的显著性检验，旨在对模型中被解释变量与解释变量之间的线性关系在总体上是否显著成立作出推断。 1、方程显著性的F检验 即检验模型 Yi=?