第02章一元线性回归模型(讲稿)..docVIP

第2章 一元线性回归模型 §2.1 模型的建立及其假定条件 1. 回归分析的概念 回归分析是处理变量与变量之间关系的一种数学方法。 1）关系分类 （1）确定的函数关系。例如某企业的销售收入Yi等于产品价格P与销售量Xi的乘积，用数学表达式表示为： Yi = P Xi （2）非确定的依赖关系。例如某企业资金的投人Xi与产出Yi，一般来讲，资金投入越多，产出也相应提高。但是由于生产过程中各种条件的变化，使得不同时间内同样的资金投入会有不同的产出。这些造成了资金的投入与产出之间关系的不确定性，因而不能给出类似于函数的精确表达式。用ui 表示其他影响因素，将这两个变量之间非确定的依赖关系表示成下列形式： Yi = f( Xi )+ ui （3）回归分析。为了分析和利用变量之间非确定的依赖关系，人们建立了各种统计分析方法，其中回归分析方法是最常用的经典方法之一。回归分析的理论和方法是计量经济模型估计理论和估计方法的主要内容。 2．一元线性回归模型 1）概念。为了说明一元线性回归模型，举一个某商品需求函数的例子。为了研究某市城镇每年鲜蛋的需求量，首先考察消费者年人均可支配收入对年人均鲜蛋需求量的影响。由经济理论知，当人均可支配收入提高时，鲜蛋需求量也相应增加。但是，鲜蛋需求量除受消费者可支配收入影响外，还要受到其自身价格、人们的消费习惯及其他一些随机因素的影响。为了表示鲜蛋需求量与消费者可支配收入之间非确定的依赖关系，设Yi 为鲜蛋需求量，Xi 为可支配收入，我们将影响鲜蛋需求量的其他因素归并到随机变量吨中，建立这两个变量之间的数学模型： Yi = ?0 + ?1 Xi + ui (2.1) 其中 Yi ——称作被解释变量； Xi ——称作解释变量； ui ——随机误差项(随机扰动项或随机项、误差项)； ?0 、?1——回归系数(待定系数或待定参数)。 在数学模型(2.1)式中，当Xi发生变化时，按照一定规律影响另一变量Yi，而Yi的变化并不影响Xi 。亦即Xi的变化是Yi变化的原因，Xi与Yi之间具有因果关系。(2.1)式称为回归模型，因为只有一个解释变量，变量间的关系又是线性关系，故(2.1)式称为一元线性回归模型。 2）模型的分解。为了把上述产生的误差考虑在内，在计量经济模型中引进了随机变量u，是认为它对假定存在于X和Y之间的精确线性关系进行扰动。这时将(2.1)式分成两部分 Yi = (?0 + ?1 Xi )+ui (2．2) 一部分由直线(?0 + ?1 Xi )组成，另一部分是随机误差项ui 。 3）几何表示 假设我们已获得X、Y的n个样本观测值(Yi , Xi)，i=1，2，…，n。(2.2)式中的意义可以由图2.1解释。 1）总体回归直线。直线Y ’ =?0 + ?1 Xi 表示X与Y之间的线性部分，称作总体回归直线。 2）误差。样本值与回归直线的偏离ui表示对这种线性关系的随机扰动。如果没有误差，样本值应是对应于X1，X2，…，XN的直线上的点Y’1，Y’2，…，Y’n。由于随机扰动的原因，样本值是偏离直线的点Yl，Y2，…，Yn。这些样本点偏离回归线的数量分别为ul，u2，…，un。即 ui =Yi – Y’i ( i=1，2，…，n) 从上面分析得知，我们的目的就是在存在扰动的情况下，估计回归系数?0和?1，确定某市城镇居民年人均可支配收入对鲜蛋需求量的影响。因此，一元线性回归模型的问题在几何上等于寻求一条拟合散布点(X1，Y1)，(X2，Y2)，…，(Xn，Yn)的直线，用这条直线来拟合变量X与Y之间的关系。 3．随机误差项的假定条件 在对回归函数进行估计之前应该对随机误差项ui做出如下假定。 (1) 零均值 E(ui) = 0。 i=1，2，… (2.4) 于是，Yi的期望值或平均值为 E(Yi) = ?0 + ?1 Xi ， i=1，2，… (2)同方差 Var(ui) = E[ui - E(ui) ]2 = E(ui)2 = ? 2, i=1，2，…(2.5) Yi与ui具有相同的常数方差，即 Var(Yi) =Var(?0 +?1 Xi)+ Var(ui )= Var(ui )= ?u? (3) 无序列相关列 Cov(ui, uj) = E[(ui - E(ui) ) ( u