2经典线性计量经济学模型..pptVIP

2.2 一元线性回归模型 概要 参数估计 统计检验 应用实例 2.2.2 参数的普通最小二乘估计（OLS） 给定一组样本观测值（Xi, Yi）（i=1,2,…n）要求样本回归函数尽可能好地拟合这组值. 普通最小二乘法（Ordinary least squares, OLS）给出的判断标准是：离差平方和最小 2.2.3 最小二乘估计量的性质 当模型参数估计出后，需考虑参数估计值的精度，即是否能代表总体参数的真值，或者说需考察参数估计量的统计性质。 2.2.4 参数估计的最大似然法(ML) 最大似然法(Maximum Likelihood,简称ML)，就是要在估计未知参数时，使得观测到给定的这些样本数值的概率最大。 基本思想：当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得从模型中抽取该n组样本观测值的概率最大。 2.2.5 一元线性回归模型的统计检验 拟合优度检验 变量的显著性检验 参数的置信区间估计 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。 （1）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）R2 （2）变量的显著性检验 回归分析是要判断解释变量X是否是被解释变量Y的一个显著性的影响因素。 在一元线性模型中，就是要判断X是否对Y具有显著的线性性影响。这就需要进行变量的显著性检验。 关于时间序列数据 上述实例表明，时间序列完全可以进行类似于截面数据的回归分析。 然而，在时间序列回归分析中，有两个需注意的问题： 第一，关于抽样分布的理解问题。 能把表2.5.1中的数据理解为是从某个总体中抽出的一个样本吗？ 一元线性模型中，?i (i=0，1）的置信区间: 在变量的显著性检验中已经知道： 意味着，如果给定置信度（1-?），从分布表中查得自由度为(n-2)的临界值，那么t值处在(-t?/2, t?/2)的概率是(1-? )。表示为： 即 于是得到:(1-?)的置信度下, ?i的置信区间是 在上述收入-消费支出例中，如果给定? =0.01，查表得： 由于 于是，?1、?0的置信区间分别为： （0.6345,0.9195) （-433.32,226.98） 由于置信区间一定程度地给出了样本参数估计值与总体参数真值的“接近”程度，因此置信区间越小越好。 要缩小置信区间，需 （1）增大样本容量n，因为在同样的置信水平下，n越大，t分布表中的临界值越小；同时，增大样本容量，还可使样本参数估计量的标准差减小； （2）提高模型的拟合优度，因为样本参数估计量的标准差与残差平方和呈正比，模型拟合优度越高，残差平方和应越小。 2.2.6 实例：中国居民人均消费模型 例2.5.1 考察中国居民收入与消费支出的关系。 GDPP： 人均国内生产总值（1990年不变价） CONSP：人均居民消费（以居民消费价格指数（1990=100）缩减）。 该两组数据是1978~2000年的时间序列数据（time series data）； 1、建立模型 拟建立如下一元回归模型 采用Eviews软件进行回归分析的结果见下表 前述收入-消费支出例中的数据是截面数据（cross-sectional data）。 可写出如下回归分析结果： (13.51) (53.47) R2=0.9927 F=2859.23 DW=0.5503 2、模型检验 R2=0.9927 t值：C：13.51， GDPP：53.47 临界值: t0.05/2(21)=2.08 斜率项：00.38621，符合绝对收入假说 3、预测 2001年：GDPP=4033.1（元）（90年不变价） 点估计：CONSP2001=201.107 + 0.3862?4033.1 = 1758.7（元） 2001年实测的CONSP（1990年价）:1782.2元， 相对误差: -1.32%。 2001年人均居民消费的预测区间 人均GDP的样本均值与样本方差： E(GDPP)=1823.5 Var(GDPP)=982.042=964410.4 在95%的置信度