第六章正态条件下回归的推论.ppt

第六章 正态条件下回归的推论 问题的提出 在前述各章中我们假定随机扰动项服从均值=0，方差等于（常数），独立同分布。但是，并没有假定随机扰动项服从何种具体的分布。 由于没有假定服从何种具体的分布，因而无法计算随机扰动项取不小于某值的概率，因而也无法计算估计量取某种值的概率，也就无法对统计量进行假设检验和进行区间估计。 点估计给出是某个具体的数值，无法给出相应的可靠性，也就是我们得出的结论的缺乏可靠性，从而降低了结论的有效性与实用性。 如果假定随机扰动项服从正态分布，那么估计量就可立即得到相应的区间估计及其概率，也就是结论具有了可靠性。 解决问题的思路 首先，复习有关正态分布的一些结论 进而假定随机扰动项服从正态分布 导出估计量也服从正态分布 给出关于估计量的假设检验和区间估计 再给出利用模型进行预测的可靠性，使模型能够运用于实际 有关正态分布的一些结论 1、正态分布的线性组合也服从正态分布 2、标准正态分布的平方和服从卡平方分布 3、标准正态分布除以卡平方分布及其自由度的商，服从t分布 4、两个卡平方分布分别除以各自自由度的商之比服从F分布 第一节 问题的引入 1、假定随机扰动项服从正态分布，导出Yi也服从正态分布 2、一元模型中斜率也服从正态分布 3、一元模型中截距也服从正态分布 4、回归估计系数的分布的总结 1、假定随机扰动项服从正态分布，导出Yi也服从正态分布 2、一元模型中斜率也服从正态分布 3、一元模型中截距也服从正态分布 4、回归估计系数的分布的总结 第二节 问题的解决 1、解决问题的关键是样本带来了总体的信息，所以用样本的信息去估计总体的信息。 2、用残差去估计总体的随机扰动项，进而用残差的方差去估计随机扰动项的方差 3、构造残差的方差为随机扰动项方差的无偏估计量。 4、随机扰动项方差的估计量S2的分布 1、解决问题的关键是用样本残差去估计总体的随机扰动项 解决问题的关键是用样本残差去估计总体的随机扰动项。 进而用样本残差的方差S2去估计随机扰动项的方差——?2 最后，在随机扰动项服从正态分布的假定下，导出样本残差方差S2的性质或分布 3、随机扰动项方差估计量的性质 （1）无偏性E(S2)=?2 （2）随机扰动项方差估计量S2服从卡方分布，自由度 = n-k-1 第三节 派生内容：自由度 1、什么是自由度 2、对应于平方和分解的自由度的分解 3、k元模型中随机扰动项的自由度为什么=n-k-1? 1、什么是自由度 模型中样本值可以自由变动的个数，称为自由度 自由度=样本个数- 样本数据受约束条件（方程）的个数 例如，样本数据个数=n，它们受k+1个方程的约束（这n个数必须满足这k+1个方程） 那么，自由度df = n-k-1 数据个数与约束方程 Y1+Y2+Y3=7 Y1=7 那么Y2、Y3中只有1个是自由的。 又如： Y1+Y2+Y3+Y4=7 Y1=7 那么，Y2、Y3、Y4中只有2个是自由的 2、对应于平方和分解的自由度的分解 自由度=变量个数 - 约束方程个数 TSS=RSS+ESS dfT=dfR+dfE dfT=n-1 dfR=k dfE=dfT-dfR= n-1-k = n - (k+1) 3、k元模型中随机扰动项的自由度为什么=n-k-1? 第四节 回归系数的假设检验 1、大样本与小样本 2、斜率的分布 3、回归系数假设检验的意义 4、假设检验的原理 5、假设检验的种类 6、F检验的步骤 7、t检验的步骤 8、回归分析进行假设检验的步骤 1、大样本与小样本 中心极限定理告述我们： 随机变量X无论服从什么分布，只要它的方差存在，只要样本个数n充分的大，X的平均数就服从正态分布。 那么，充分大在实际应用中怎样掌握呢？ 凡是 n 30，我们就可以认为它具有此种极限性质，称为大样本。 否则，就称为小样本，小样本不具有此种极限性质。 2、斜率的分布 （1）已知?2或大样本情形 （2）未知?2且为小样本情形 3、回归系数假设检验的意义 通过F检验只是对方程作为一个整体进行检验，只要其中一个或几个自变量的系数显著不为零，整个方程就是有意义的。 但是，还必须继续对各个自变量的系数进行检验，否则方程中会包含一些对因变量从统计意义上说没有意义的自变量 3、回归系数假设检验的意义 例如：Y^=1.78+1.56X1+0.036X2 对多元回归除了进行整体检验外，还需要分别对X1和X2的系数进行t检验。 对X1的系数检验，计算出来的t大于临界值，拒绝H0，即X1的系数与0有显著的差异，认为X1对Y有意义； 对X2的系数检验，计算出来的t小于临界值，不拒绝H0，认为X2的系数与0没有本质的差异，虽然它=0.036，于是认为X2对Y没有意义，是方程中的累赘，应剔除，重新估