第二章 简单线性回归幻灯片.ppt

第二章 简单线性回归模型 本章主要介绍： 回归分析和回归方程 简单线性回归模型的最小二乘估计 回归系数的区间估计和假设检验 拟合优度的度量 回归预测 何谓简单线性回归模型 只有两个变量的线性回归模型，称为简单线性回归模型，也叫做双变量模型，或者一元线性回归模型。 模型形式为： 第一节 回归分析和回归方程 本节主要介绍： 1.1 经济变量之间的关系。 1.2 相关关系：分类、度量。 1.3 回归分析：概念、回归线、回归函数 1.4 总体回归函数 1.5 随机扰动项 1.6 样本回归函数 1.1 经济变量之间的关系 确定的函数关系：y＝f（x） 不确定性的统计关系——相关关系 y＝f（x）＋u （u为随机变量） 没有关系 变量间的函数关系和相关关系在一定条件下可以互相转化。 1.2 相关关系 1.2.1 分类： 只有两个变量：简单相关； 三个及三个以上：多重相关（复相关）； 线性相关、非线性相关； 正相关、负相关、不相关 正相关（我国人均消费函数） Y为我国人均消费 X为我国人均国民收入 相关系数：0.98 负相关 Y与X的相关系数： -0.92 不相关（不排除存在曲线相关） 相关系数为： 4.24E-18 1.2.2 线性相关程度的度量 ——线性相关系数 总体相关系数： 样本相关系数： 使用相关系数要注意： 简单线性相关包含了其他变量的影响。 X,Y都是随机变量，相关系数只说明其线性相关程度，不说明其非线性关系，也不反映他们之间的因果关系； 样本相关系数是总体相关系数的样本估计量； 相关系数具有对称性，即 ； 相关系数取值区间[-1，1]。 1.3 回归分析和相关分析 1.3.1 回归分析 是对一个应变量对若干解释变量依存关系的研究； 其目的是：由固定的解释变量去估计和预测应变量的平均值等。 1.3.2 回归函数、回归线 应变量Y的条件期望 随着解释变量X的变化而有规律地变化。把这种变化关系用函数表示出来，就是回归函数： 回归函数在坐标系中用图形表示出来就是回归线。它表示了应变量和解释变量之间的平均关系。 回归线图示 注意： 一般地，在重复抽样中解释变量被假定为固定的。所以回归分析中，解释变量一般当作非随机变量处理。 由于变量间关系的随机性，回归分析关心的是根据解释变量的已知或给定值，考察被解释变量的总体均值，即当解释变量取某个确定值时，与之统计相关的被解释变量所有可能出现的对应值的平均值。 （1）由于不确定因素的影响，对同一收入水平X，不同家庭的消费支出不完全相同； （2）但由于调查的完备性，给定收入水平X的消费支出Y的分布是确定的，即以X的给定值为条件的Y的条件分布（Conditional distribution）是已知的， 如： P(Y=561|X=800）=1/4。 描出散点图发现：随着收入的增加，消费“平均地说”也在增加，且Y的条件均值均落在一根正斜率的直线上。这条直线称为总体回归线。 概念： 回归函数（PRF）说明被解释变量Y的平均状态（总体条件期望）随解释变量X变化的规律。 1.4.2 总体回归函数的表现形式 条件均值形式，如 随机设定形式。 对于一定的 ，Y的各个个别值 分布在 的周围，其差令为 ，则： 对上例，有 也即： 1.5 随机扰动项 1、引入随机扰动项的目的 2、随机扰动项代表模型中省略了的所有次要因素的综合作用 3、根据中心极限定理随机扰动项服从正态分布 4、通常模型由随机方程组成 5、随机扰动项产生的原因 为什么要引入随机扰动项 模型中引入反映不确定因素影响的随机扰动项μ的目的在于使模型更符合客观经济活动实际。 干扰项是从模型中省略下来而又集体地影响着Y地全部变量地替代物 简单线性需求函数——不可能包罗万象地引入全部影响变量 我们以最简单的线性需求函数为例进行分析。 Qd=b0+b1X1 理论分析和实践经验表明，某种商品需求量不仅趋近于价格，而且趋近于替代商品的价格X2，消费者收入X3和消费者偏好X4等等。将所有对需求量有影响的个变量引入方程： Qd=b0+b1X1+b2X2+b3X3+b4X4+?+bkXk 即使如此也还可能有其他次要因素影响需求量，譬如社会风尚，心理变化甚至天气等等。总之，不可能巨细无遗地全部都引入。 次要因素的综合效应是不能忽视的 未引入的这些随机变量有的可以度量，有些不可以度量，在实际观测中，有时发生影响有时又不发生影响，记为随机变