《统计预测和决策-陈康》第三章 回归分析1.pptVIP

1. 建立模型 拟建立如下双变量回归模型 采用Eviews软件进行回归分析的结果见下表 该两组数据是1978—2000年的时间序列数据（time series data）； 前述收入—消费支出例中的数据是截面数据（cross-sectional data）。 一般可写出如下回归分析结果： (13.51) (53.47) R2=0.9927 F=2859.23 DW-d=0.5503 R2=0.9927 T值：C：13.51， GDPP：53.47 临界值: t0.05/2(21)=2.08 斜率项：00.38621，符合绝对收入假说 2. 模型检验 3. 预测 2001年：GDPP=4033.1（元）（1990年不变价） 点估计：CONSP2001= 201.107 + 0.3862?4033.1 = 1758.7（元） 2001年实测的CONSP（1990年价）:1782.2元， 相对误差: -1.32%。 2001年人均居民消费的预测区间 人均GDP的样本均值与样本方差： E(GDPP) =1823.5 Var(GDPP) = 982.042=964410.4 在95%的置信度下，E(CONSP2001)的预测区间为： =1758.7?40.13 或： （1718.6,1798.8） 同样地，在95%的置信度下，CONSP2001的预测区间为： =1758.7?86.57 或 （1672.1, 1845.3） 例2.5.2 我国固定资产投资总额与GDP的关系 第一步：建立模型 第二步：收集数据 采用1980~1998年的数据，数据来源《中国统计年鉴(2000)》 说明：在理论经济学中I表示私人部门投资，在我国的统计体系中，固定资产投资总额既包括私人部门投资，也包括公共部门（政府）的投资。 第三步：参数估计(OLS)，得 第四步：模型检验 经济意义检验：b1的经济含义是固定资产投资乘数，肯定大于1，按我国的实际情况，不是很大，估计在4或5以下，通过检验。 统计检验：拟合优度检验、参数估计值显著性检验、模型显著性检验。 计量经济检验（异方差、序列资相关、随机解释变量、多重共线性） 模型预测检验 统计检验-拟合优度检验 样本判定系数 线性模型解释了因变量的99.29%，拟合程度很好。 统计检验-参数估计值显著性t检验 提出原假设： 备择假设： 构造统计量 计算得 检验：取 =5%，查表得 拒绝原假设，b1显著不为零 统计检验-方程显著性F检验 提出原假设： 备择假设： 构造统计量 计算得 检验：取 =5%，查表得 拒绝原假设，b1显著不为零，线性关系显著。可以发现t2＝2362约等于2367＝F，那是因为计算有误差。否则应该相等的。 预测 点预测 1999年固定资产投资总额29854.7亿元 个值区间预测 凝神守一 朴而不露 * R2的其他表示方法 拟合优度（或称判定系数、决定系数） 判定系数只是说明列入模型的所有解释变量对应变量的联合的影响程度，不说明模型中单个解释变量的影响程度。 对时间序列数据，判定系数达到0.9以上是很平常的；但是，对截面数据而言，能够有0.5就不错了。 判定系数达到多少为宜？ 没有一个统一的明确界限值； 若建模的目的是预测应变量值，一般需考虑有较高的判定系数。 若建模的目的是结构分析，就不能只追求高的判定系数，而是要得到总体回归系数的可信任的估计量。判定系数高并不一定每个回归系数都可信任； 二、变量的显著性检验 回归分析是要判断解释变量X是否是被解释变量Y的一个显著性的影响因素。 在双变量线性模型中，就是要判断X是否对Y具有显著的线性性影响。这就需要进行变量的显著性检验。 变量的显著性检验所应用的方法是数理统计学中的假设检验。 计量经济学中，主要是针对变量的参数真值是否为零来进行显著性检验的。 1、假设检验 所谓假设检验，就是事先对总体参数或总体分布形式作出一个假设，然后利用样本信息来判断原假设是否合理，即判断样本信息与原假设是否有显著差异，从而决定是否接受或否定原假设。 假设检验采用的逻辑推理方法是反证法