农大计量经济学第二章一元线性回归模型.pptVIP

P_值检验法： P_值：当H0为真时，检验统计量取比观测到的结果更为极端的数值的概率，称为P_值。 即： 一般情况下：当P_值小于某一显著水平 就认为有充足的理由拒绝原假设。 即 P_值越小,拒绝零假设的理由越充分。 假设检验可以通过一次抽样的结果检验总体参数可能的假设值的范围（如是否为零），但它并没有指出在一次抽样中样本参数值到底离总体参数的真值有多“近”。 要判断样本参数的估计值在多大程度上可以“近似”地替代总体参数的真值，往往需要通过构造一个以样本参数的估计值为中心的“区间”，来考察它以多大的可能性（概率）包含着真实的参数值。这种方法就是参数检验的置信区间估计。 3、参数的置信区间 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。 如果存在这样一个区间，称之为置信区间（confidence interval）； 1-?称为置信系数（置信度）（confidence coefficient）， ?称为显著性水平（level of significance）；置信区间的端点称为置信限（confidence limit）或临界值（critical values）。 一元线性模型中，?i (i=1，2）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。 四、一元线性回归分析的应用：预测问题 1、点预测 2、区间预测 3、一元线性回归模型实例 对于一元线性回归函数 给定样本以外的解释变量的观测值X0，可以得到被解释变量的预测值?0 ，可以此作为其条件均值E(Y|X=X0)或个别值E(Y0)的一个近似估计。 注意： 严格地说，这只是被解释变量的预测值的估计值，而不是预测值。 原因:（1）参数估计量不确定； （2）随机项的影响 1、?0是条件均值E(Y|X=X0)或个值E(Y0 )的一个无偏估计 对总体回归函数E(Y|X=Xi )=?0+?1Xi，X=X0时 E(Y|X=X0)=?0+?1X0 于是 可见，?0是条件均值E(Y|X=X0)的无偏估计。 对总体回归模型Y=?0+?1X+?，当X=X0时 于是： 所以， 是 的无偏估计。 2、总体条件均值与个值预测值的置信区间 ⑴、总体均值预测值的置信区间 由于 于是 可以证明 因此 故 其中 于是，在1-?的置信度下，总体均值E(Y|X0)的置信区间为 2、总体个值预测值的预测区间 由 Y0=?0+?1X0+? 知: 于是 式中 : 从而在1-?的置信度下， Y0的置信区间为 在上述收入-消费支出例中，得到的样本回归函数为 则在 X0=1000处， ?0 = –103.172+0.777×1000=673.84 而 因此，总体均值E(Y|X=1000)的95%的置信区间为： 673.84-2.306?61.05 E(Y|X=1000) 673.84+2.306?61.05 或 （533.05, 814.62） 同样地，对于Y在X=1000的个体值，其95%的置信区间为： 673.84 - 2.306?61.05Yx=1000 673.84 +2.306?61.05 或 ：(372.03, 975.65) 总体回归函数的置信带（域）（confidence band） 个体的置信带（域） 对于Y的总体均值E(Y|X)与个体值的预测区间（置信区间）: （1）样本容量n越大，预测精度越高，反之预测精度越低； （2）样本容量一定时，置信带的宽度当在X均值处最小，其附近进行预测精度较大；X离其均值越远，置信带越宽，预测精度越低。 （3） 越大，预测区间越