3多元线性模型.pptVIP

第二章 线性回归模型 第一节 线性回归模型及其假设 一、线性回归模型的一般形式 如果被解释变量（因变量）y与k个解释变量（自变量）x1，x2，…，xk之间有线性相关关系，那么它们之间的线性总体回归模型可以表示为： （1.1） 其中, 是k+1个未知参数，又称为回归系数；U是随机误差项。 写成矩阵形式为：Y＝X ＋U 第一节 线性回归模型及其假设 二、线性回归模型的基本假定 为了方便地进行模型的参数估计，对回归模型（1）式需作如下基本假定。 1、随机误差项的条件期望值为零。 2、随机误差项的条件方差相同。 3、随机误差项之间无序列相关。 4、自变量与随机误差项独立无关。 5、随机误差项服从正态分布。 6、各解释变量之间不存在显著的线性相关关系。 第二章 线性回归模型 第二节 参数估计 一、普通最小平方法（OLS） 普通最小平方法的基本原理是：使全部观测值与回归值的残差平方和最小 。根据微分极值原理 求得回归系数。B=(XTX)-1XTY （2.1） （一）利用Excel进行参数估计 其操作步骤为：点击［工具］→点击［数据分析］→选择［回归］→点击［确定］→输入［Y值输入区域］→输入［X值输入区域］→输入［置信度］→在［输出选项］选择［输出区域］或［新工作组表］或［新工作簿］→点击［确定］，即可得到输出结果2.1 第二节 参数估计 输出结果2.1 第二章 线性回归模型 第二节 参数估计 一、普通最小平方法（OLS） （二）利用SPSS进行参数估计 其操作步骤为： 点击Analyze/Regression/Linear，进入Linear Regression窗口；选择被解释变量y进入Dependent栏（框），选择解释变量x1、x进入Independent栏（框）;点击OK，便可得到参数估计结果（见输出结果2.2）。 第二节 参数估计 输出结果2.2 第二章 线性回归模型 第二节 参数估计 一、普通最小平方法（OLS） （二）利用Eviews进行参数估计 其操作步骤为：1.运行Eviews 2.建立Eviews数据工作表文件，若导入数据：点击File/New Workfile；进入Workfile Range窗口，在Workfile freqency选项内选择Annual(年度数据)，在Start observation栏内输入1994， 在End observation栏内输入2005；点击OK，进入Workfile：UNTITLED窗口。点击Procs/Import/ Read Text-Lotus-Excel选择路径、文件类型、文件名；点击打开，进入Excel Spreadsheet Import对话框，选择有关选项（图2.1）；点击OK，数据导入完成。 （二）利用Eviews进行参数估计 图2.1 在主窗口的命令栏内，键入ls y c x1 x2，回车即可得到输出结果（输出结果2.3）。 （二）利用Eviews进行参数估计 输出结果2.3 第二章 线性回归模型 第二节 参数估计 二、最小二乘估计量（OLSE)的统计性质 用最小平方法对线性回归模型进行参数估计得到的最小二乘估计量具有线性、无偏、最优等统计特性，简称BLUE统计特性。 三、随机误差项U的标准差的估计量 m为变量个数或参数个数，k为自变量个数 第二章 线性回归模型 第三节 统计显著性检验 一、拟合优度检验 总离差平方和TSS，可以分解为可解释（回归）平方和ESS与残差平方和RSS。即TSS= ESS+ RSS 我们把回归解释平方和ESS在总离差平方和TSS中所占的比重定义为样本决定系数 或可决系数。即 R2= ESS/ TSS 由于R2与模型中的解释变量个数K有关，即如果观测值ｙ不变，决定系数R2将随解释变量数目K的增大而增大，因而需对进行调整。调整的决定系数为： 实际中可利用Excel、SPSS、Eviews等软件计算得到调整的决定系数：Adjusted R Square （见参数估计结果）。 第三节 统计显著性检验 二、Ｆ检验 F检验属于回归方程的显著性检验，它是对所有参数感兴趣的一种显著性检验。其检验步骤为： 第一步：提出假设。原假设：回归系数同时为零 备择假设：回归系数不同时为零 第二步：利用方差分析表构造F统计量 第三节 统计显著