计量经济学第三章多元线性回归解答.pptVIP

§3.1 多元线性回归模型 一、模型形式 总体回归函数（PRF） 样本回归模型和函数的矩阵表示 二、多元线性回归模型的基本假设 基本假设的矩阵表示 暗含假设 §3.2 多元线性回归模型的参数估计 参数估计的任务和方法 1、估计目标：回归系数βj、随机误差项方差б2 2、估计方法：OLS、ML或者MM 一、普通最小二乘估计 最小二乘估计的矩阵表示 ＃OLSE的矩阵估计过程 #参数估计的实例 误差方差?2的估计 *最大似然估计*（Maximum Likelihood Estimate） 1、基本原理：样本观测值出现的概率最大。 2、似然函数： *矩估计*（Moment Method，MM） 1、OLS估计是通过得到一个关于参数估计值的正规方程组 *矩条件和矩估计量* *关于矩估计* 二、最小二乘估计量的性质 参数估计量的概率分布 三、样本容量问题 1、最小样本容量 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。 样本最小容量必须不少于模型中解释变量的数目（包括常数项）,即：n ? k+1 因为，无多重共线性要求：秩(X)=k+1 2、基本样本容量 §3.3 多元线性回归模型的统计检验 一、拟合优度检验 可决系数R2(coefficient of determination) 调整的可决系数Adj(R2)（adjusted coefficient of determination）  # Adj(R2)的作用 *赤池信息准则和施瓦茨准则*(AICSC) 用于比较因变量相同，解释变量个数不同的多元回归模型的拟合优度 ※ 赤池信息准则（Akaike information criterion, AIC） 二、方程的显著性检验（F检验） 1、原假设和备择假设 2、检验统计量 3、检验步骤 （1）提出原假设和备择假设： ＃ 拟合优度和方程显著性检验 示例： 三、变量的显著性检验（t检验） 1、原假设和备择假设 2、检验统计量 3、检验步骤： 对t检验的说明 三、参数的置信区间 ?j (j=0,1,2,……,k）的置信区间 §3.4 多元线性回归分析的预测 预测的理解 1、总体均值E(Y0|X=X0)的置信区间 2、总体个值Y0的置信区间 如果已经知道X=X0处的实际个值Y0，那么预测误差为： 置信区间宽度：个值均值 ＃回归分析的预测实例： §3.5 可线性化的多元非线性回归模型 实际中的非线性模型 线性模型的本质含义 1、解释变量的非线性问题——变量代换 2、回归参数的非线性问题——函数变换 3、复杂函数模型——级数展开 目的：测定样本回归函数对样本观测值的拟合紧密程度 指标：R2、Adj(R2) 0R21，该统计量越接近于1，模型的拟合优度越高。 1、定义： 2、问题： 在模型中增加一个解释变量， R2往往增大 但是：增加解释变量个数往往得不偿失，不重要的变量不应引入。 增加解释变量使得估计参数增加，从而自由度减小。如果引入的变量对减少残差平方和的作用很小，这将导致误差方差σ2的增大，引起模型精度的降低。 因此：R2需调整。 1、调整思路:将残差平方和与总离差平方和分别除以各自的自由度，以剔除变量个数对拟合优度的影响。 2、自由度：统计量可自由变化的样本观测值的个数，记为df TSS：df＝n－1 ESS：df＝ k RSS：df＝ n－k－1 注意： df（TSS)=df(ESS)+df(RSS) 3、定义： 1、消除拟合优度评价中解释变量的多少对拟合优度的影响 2、对于因变量Y相同，而自变量X个数不同的模型，不能用R2直接比较拟合优度，而应使用Adj（R2） 。 3、可以通过Adj（R2）的增加变化，决定是否引入一个新的解释变量。 Adj（R2）= R2，即：调整可决系数不大于未经调整的可决系数。随着解释变量的增加，二者的差异越来越大。 # Adj(R2)与R2的关系 ※ 施瓦茨准则（Schwarz criterion，SC） 这两准则均要求仅当所增加的解释变量能够减少AIC值或AC值时才在原模型中增加该解释变量。 目的：检验Y与所有X的线性关系在总体上是否成立 方法：F检验 检验模型中的参数?j是否至少有一个显著不为0。 Yi=?0+?1X1i+?2X2i+ ? +?kXki+?i i=1,2,?,n 原假设与备择假设： H0： ?0=?1=?2= ? =?k=0 H1： ?j不全为0 可以证明，在原假设H0成立的条件下： F～ F (k , n-k-1) 其中：k为模型中解释变量个数 H0： ?0=?1=?2= ? =?k=0 H1： ?j不全为0