第三章 多元线性回归分析.pptVIP

因此，可构造如下t统计量 2、t检验 设计原假设与备择假设： H1：?i?0 给定显著性水平?，可得到临界值t?/2(n-k-1)，由样本求出统计量t的数值，通过 |t|? t?/2(n-k-1) 或 |t|?t?/2(n-k-1) 来拒绝或接受原假设H0，从而判定对应的解释变量是否应包括在模型中。 H0：?i=0 （i=1,2…k） 注意：一元线性回归中，t检验与F检验一致 一方面，t检验与F检验都是对相同的原假设H0：?1=0 进行检验; 另一方面，两个统计量之间有如下关系： 在中国居民人均收入-消费支出二元模型例中，由应用软件计算出参数的t值： 给定显著性水平?=0.05，查得相应临界值： t0.025(19) =2.093。 可见，计算的所有t值都大于该临界值，所以拒绝原假设。即: 包括常数项在内的3个解释变量都在95%的水平下显著，都通过了变量显著性检验。 四、参数的置信区间 参数的置信区间用来考察：在一次抽样中所估计的参数值离参数的真实值有多“近”。 在变量的显著性检验中已经知道： 容易推出：在(1-?)的置信水平下?i的置信区间是 其中，t?/2为显著性水平为? 、自由度为n-k-1的临界值。 在上海居民消费支出二元模型例中, 给定?=0.05，查表得临界值：t0.025(13)=2.160 计算得参数的置信区间： ?0 ：(？, ？) ?1 ： (？, ？ ) ?2 ：(0.5248616, 0.753367) 从回归计算中已得到： 如何才能缩小置信区间？ 增大样本容量n，因为在同样的样本容量下，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； 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，模型优度越高，残差平方和应越小。 第三章 多元线性回归分析 多元线性回归模型 多元线性回归模型的参数估计 多元线性回归模型的统计检验 多元线性回归模型的预测 §3.1 多元线性回归模型 一、多元线性回归模型 二、多元线性回归模型的基本假定 一、多元线性回归模型 多元线性回归模型:表现在线性回归模型中的解释变量有多个。 一般表现形式： i=1,2…,n 其中:k为解释变量的数目，?j称为回归参数（regression coefficient）。 习惯上：把常数项看成为一虚变量的系数，该虚变量的样本观测值始终取1。这样： 模型中解释变量的数目为（k+1） 也被称为总体回归函数的随机表达形式。它 的非随机表达式为: 方程表示：各变量X值固定时Y的平均响应。 ?j也被称为偏回归系数，表示在其他解释变量保持不变的情况下，Xj每变化1个单位时，Y的均值E(Y)的变化; 或者说?j给出了Xj的单位变化对Y均值的“直接”或“净”（不含其他变量）影响。 二、多元线性回归模型的基本假定 假设1，解释变量是非随机的或固定的，且各X之间互不相关（无多重共线性）。 假设2，随机误差项具有零均值、同方差及无序列相关性 假设3，解释变量与随机项不相关 假设4，随机项满足正态分布 §3.2 多元线性回归模型的估计 估计方法：OLS 一、普通最小二乘估计 二、参数估计量的性质 三、样本容量问题 四、估计实例 一、普通最小二乘估计 对于随机抽取的n组观测值 如果样本函数的参数估计值已经得到，则有： i=1,2…n 根据最小二乘原理，参数估计值应该是下列方程组的解 其中 于是得到关于待估参数估计值的正规方程组： ?随机误差项?的方差?的无偏估计 可以证明，随机误差项?的方差的无偏估计量为 四、参数估计量的性质 在满足基本假设的情况下，其结构参数?的普通最小二乘估计、最大或然估计及矩估计仍具有： 线性性、无偏性、有效性。 同时，随着样本容量增加，参数估计量具有： 渐近无偏性、渐近有效性、一致性。 1、线性性 其中,C=(X’X)-1 X’ 为一仅与固定的X有关的行向量 2、无偏性 这里利用了假设: E(X’?)=0 3、有效性（最小方差性） 其中利用了 和 五、样本容量问题 所谓“最小样本容量”，即从最小二乘原理和最大或然原理出发，欲得到参数估计量，不管其质量如何，所要求的样本容量的下限。 ⒈ 最小样本容量 样本