[简单线性回归模型.pptVIP

第二章 简单线性回归模型 定义 模型的假设 参数估计 OLS的代数性质 拟合优度 测量单位和函数形式 OLS的统计性质 其它 说明 目前主要关注横截面数据的回归分析 截面数据是一个随机样本。 每一个观察是一个新的个人、企业或者其他的个体，这些个体在某个同一时点上的信息被记录下来。 如果样本不是随机的，那么就出现了样本选择性问题 （sample-selection problem） 所谓横截面数据集，就是在给定时点对个人、家庭、企业、城市、州、国家或一系列其他单位采集的样本所构成的数据集。有时，所有单位的数据并非完全对应于同一时间段。 例如，几个家庭可能在一年中的不同星期被调查。在一个纯粹的横截面分析中，我们应该忽略数据搜集中细小的时间差别。如果一系列家庭都是在同一年度的不同星期被调查的，那我们仍视之为横截面数据集。 横截面数据的一个重要特征是，我们通常可以假定，它们是从样本背后的总体中通过随机抽样(random sampling)而得到的。 例如，如果我们通过随机地从工人总体中抽取500人，并得到其有关工资、受教育程度、工作经历和其他特征方面的信息，那我们就得到所有工人构成的总体的一个随机样本。随机抽样是初级统计学教程中所讲授的抽样方案，而且它使得对横截面数据的分析大为简化。 有时，以随机抽样作为对横截面数据的一个假定并不适当。例如，假设我们对研究影响家庭财富积累的因素感兴趣，虽然我们可以调查家庭的一个随机样本，但有些家庭可能拒绝报告其财富。比方说，如果越是富裕的家庭就越不愿意暴露其财富，那么由此得到的财富样本，就不是由所有家庭构成的总体的一个随机样本。这是对样本选择问题的一个解释。 简单回归模型的定义 简单回归模型可以用来研究两个变量之间的关系。出于某些原因，简单回归模型要作为经验性分析的一般工具，还存在着局限性。但是在某些情况下，把它当作经验工具来使用，还是非常适宜的。学会解释简单回归模型，对于我们接下来要学习的多元回归模型，无疑也是非常好的练习。 简单回归模型的定义 应用计量经济学分析大多都是从如下假设前提开始的：y和x是代表某一个总体的两个变量，我们感兴趣的是用x来解释y，或者说是研究y如何随x而变化。 一些例子：y是大豆的产出，x是化肥的用量；y是每小时的工资，x是受教育的年数；y是社区的犯罪率，x是警察的数量，等等。 简单回归模型的定义 在写出用x解释y的模型时，我们要面临三个问题。 首先，既然两个变量之间没有一个确切的关系，那么我们应该如何考虑其他影响y的因素呢？ 第二，y和x的函数关系是怎样的呢？ 第三，我们怎样知道是否抓住了在其他条件不变的情况下y和x之间的关系（如果这是我们所追求的目标的话）呢？ 简单回归模型的定义 我们可以通过写出关于y和x的一个方程来消除这些疑惑。一个简单的方程是： y = b0 + b1x + u…………(2.1) 且假定方程(2.1)在我们所关注的某个总体中成立，它定义了一个简单线性回归模型(simple linear regression model)。因为它把两个变量x和y联系起来，所以又把它叫做两变量或者双变量线性回归模型。我们现在来讨论等式(2.1)中每个量的含义。 几个术语 在简单线性回归模型y = b0 + b1x + u中， 统称y为： 因变量（Dependent Variable）或 响应变量(response variable)或 被解释变量（Explained Variable）或 被预测变量(predicted variable)或 回归子(regressand) 几个术语 在y对x的简单线性回归中，通常称x为： 自变量（Independent Variable）或 解释变量（Explanatory Variable）或 回归量（元）（Regressor）或 协变量（Covariate）或 预测元(predictor variable) 控制变量（Control Variables） 说明： “自变”(independent)与统计学概念里面随机变量之间的独立(independency)有所不同 。 几个术语 几个术语 在简单线性回归模型y = b0 + b1x + u中， 我们称u为误差项或随机扰动项。表示除x之外影响y的其他所有非观测因素。 一个简单回归分析能够有效地处理除x之外其他所有影响y的非观测因素。也可以把u看作是“观测不到的”因素。 误差项或随机扰动项的来源： 被忽略的因素 测量误差 随机误差 模型的设定误差 几个术语 等式y = b0 + b1x + u同样表述了y和x之间的函数关系。如果u中的其他因素被看作是保持不变的，就意味着u的变化为零，即 ，那么x对y具有线性影响，其表