计量经济学第二章[精选].ppt

* 区间估计（续4） 置信区间、预测区间、回归方程 xp y x ?x 预测上限 置信上限 预测下限 置信下限 * 预测效果的评价 RMSE和MAE RMSE（均方根误差） MAE（平均绝对误差） 二者取决于因变量的绝对数值 * 预测效果的评价（续1） MAPE（平均绝对百分误差） 该指标为相对指标 MAPE的值低于10，则认为预测精度较高 * 预测效果的评价（续2） Theil Inequality Coefficient(希尔不等系数) 介于0到1之间 数值越小表明拟合值和真实值间的差异越小，预测精度越高 * 预测效果的评价（续3） 偏差率、方差率和协变率 均方误差的分解 是预测值的均值， 是实际序列的均值 和 分别是预测值和实际值的标准差 是它们间的相关系数 偏差率、方差率和协变率 取值范围都在0-1之间，三项指标之和为1 当预测比较理想时，均方误差大多数集中在协变率上，而其余两项都很小 * 第四节 残差分析 残差的性质 用残差证实模型的假定 * 最小二乘估计量的性质（续2） 有效性 分别是 的最佳线性无偏估计(BLUE)，也称为最小方差线性无偏估计 * 第三节 一元线性回归模型的统计检验 拟合优度检验 显著性检验 其他评价指标 * 拟合优度检验 变差 因变量 y 的取值是不同的，y 取值的这种波动称为变差 变差来源于两个方面 由于自变量x的取值不同造成的 除x以外的其他因素(如x对y的非线性影响、测量误差等)的影响 对一个具体的观测值来说，变差的大小可以通过该实际观测值与其均值之差 来表示 * 拟合优度检验（续1） 图示 x y y { } } ? * 拟合优度检验（续2） 离差平方和的分解（三个平方和的关系） SST = SSR + SSE 总平方和 (SST) { 回归平方和 (SSR) 残差平方和 (SSE) { { * 拟合优度检验（续3） 离差平方和的分解（三个平方和的意义） 总平方和(SST) 反映因变量的 n 个观察值与其均值的总离差 回归平方和(SSR) 反映自变量 x 的变化对因变量 y 取值变化的影响，或者说，是由于 x 与 y 之间的线性关系引起的 y 的取值变化，也称为可解释的平方和 残差平方和(SSE) 反映除 x 以外的其他因素对 y 取值的影响，也称为不可解释的平方和或剩余平方和 * 拟合优度检验（续4） 判定系数r2 (coefficient of determination) 回归平方和占总离差平方和的比例 反映回归直线的拟合程度 取值范围在 [0，1] 之间 r2 ?1，说明回归方程拟合的越好； r2?0，说明回归方程拟合的越差 判定系数等于相关系数的平方，即r2 ＝(r)2 * 拟合优度检验（续5） 估计标准误差(standard error of estimate) 实际观察值与回归估计值离差平方和的均方根 反映实际观察值在回归直线周围的分散状况 对误差项ε的标准差sy的估计，是在排除了x对y的线性影响后，y随机波动大小的一个估计量 反映用估计的回归方程预测y时预测误差的大小 计算公式 * 拟合优度检验（续6） [例2-4]续例2-1，计算CONSP对GDPP回归的判定系数，并解释其意义 判定系数的实际意义 在CONSP取值的变差中，有99.27%可以由GDPP和CONSP之间的线性关系来解释，或者说，在CONSP取值的变动中，有99.27%是由GDPP所决定的 也就是说，CONSP取值的差异绝大部分是由GDPP决定的。可见CONSP与GDPP之间有较强的线性关系 * 显著性检验-线性关系 原理 检验自变量与因变量之间的线性关系是否显著 将回归均方(MSR)同残差均方(MSE)加以比较，应用F检验来分析二者之间的差别是否显著 回归均方 回归平方和SSR除以相应的自由度(自变量的个数p) 残差均方 残差平方和SSE除以相应的自由度(n-p-1) * 显著性检验-线性关系（续1） 检验步骤 提出假设 构造F统计量 确定显著性水平α，并根据分子自由度1和分母自由度n-2找出临界值F ? 作出决策 当F值大于临界值 时，拒绝原假设，说明回归方程显著，x和y有显著的线性关系 ，当p值小于α时，拒绝原假设，说明回归方程显著 * 显著性检验-线性关系（续2） * 显著性检验-线性关系（续3） [例2-5]检验CONSP与GDPP之间的线性关系的显著性。（α＝0.05） 提出假设 计算检验