统计预测与决策13.pptVIP

3 线性拟合预测法（回归） 3.1 一元线性回归预测法 3.2 多元线性回归预测法 3.3 非线性回归预测法 3.4 应用回归预测时应注意的问题 一、建立模型 一元线性回归模型： 用最小二乘法进行参数的估计时，要求 思考1 1、线性回归模型经过检验后的主要应用有两个方面，预测与控制，试寻求给定区间y的控制自变量x的范围？ 3.2 多 元 线 性 回 归 预 测 法 思考2：序列相关、异方差等的处理？ 在实际中，经典线性回归模型的基本假定经常是不能得到满足的，而若在此状况下仍应用OLS进行回归，就会产生一系列的问题，因此我们就需要采取不同的方法对基本假定不满足的情况予以处理。 检验基本假定是否满足的检验称为计量经济学检验 高斯-马尔科夫定理失效 1、随机扰动项的方差不等于常数=异方差 截面数据时，经常出现异方差 2、随机扰动项相关=序列相关 时间序列数据经常出现序列相关 3、随机扰动项具有水平变动=变量误差模型 4、随机扰动项与所有自变量不相关=自变量之间不相关=多重共线 通常不会发生随机扰动项均值=0与非线性模型的假设不满足的情形 计量经济学检验有两种基本方法 是利用残差序列绘制出各种图形，以供分析检验使用。包括： 1、时间为X轴，残差e为Y轴的残差序列图 2、因变量估计值y^为X轴，残差e为Y轴的Y^-e散点图 3、解释变量为X轴，残差e（或e2）为Y轴的x-e散点图 4、残差e的直方图 也可以使用误差项的平方来作图 解析法 导出检验统计量的解析式，根据一些准则，进行检验。例如： 1、检验异方差的Goldfeld-Quandt检验 2、检验自相关的Durbin-Watson检验 3、检验多重共线的简单相关系数和综合统计检验法等 解决办法 1随机扰动项e不是同方差，而是异方差 ==检验是否存在==消除异方差 2随机扰动项e存在序列相关（存在自相关） ==检验是否存在==消除自相关 3解释变量是随机变量，且与e相关 （==误差变量模型） 4解释变量之间线性相关，存在多重共线 （==模型技术上，只能采用逐步回归、主成分回归、岭回归等） 1、关于异方差 一方面是因为随机误差项包括了测量误差和模型中被省略的一些因素对因变量的影响，另一方面来自不同抽样单元的因变量观察值之间可能差别很大。因此，异方差性多出现在横截面样本之中。至于时间序列，则由于因变量观察值来自不同时期的同一样本单元，通常因变量的不同观察值之间的差别不是很大，所以异方差性一般不明显。 2、关于自相关 随机误差项u的取值与它的前一期或前几期的取值（滞后值）有关，则称误差项存在序列相关或自相关。 自相关有正相关和负相关之分。实证表明：在经济数据中，常见的是正自相关。 3.3 非 线 性 回 归 预 测 法 在社会现实经济生活中，很多现象之间的关系并不是线性关系，对这种类型现象的分析预测一般要应用非线性回归预测，通过变量代换，可以将很多的非线性回归转化为线性回归。因此，可以用线性回归方法解决非线性回归预测问题。 回总目录 回本章目录 一、配曲线问题 选配曲线通常分为以下两个步骤： 确定变量间函数的类型 变量间函数关系的类型有的可根据理 论或过去积累的经验事前予以确定； 回总目录 回本章目录 * 其中， 是未知参数， 为剩余残差项 或称随机扰动项。 ， 回总目录 回本章目录 3.1 一元线性回归 满足一定的假设条件： 是一个随机变量； 的均值为零，即 在每一个时期中， 的方差为常量，即 各个 相互独立； 与自变量无关。 二、估计参数 回总目录 回本章目录 用最小二乘法进行参数估计 ，得到的估计表达式为： 回总目录 回本章目录 三、进行检验 标准误差：估计值与因变量值间的平均 平方误差。 其计算公式为： 可决系数：衡量自变量与因变量关系密切 程度的指标，表示自变量解释了因 变量变动的百分比。 其计算公式为： 可见，可决系数取值于0与1之间，并取决于回归模型所解释的 方差的百分比。 回总目录 回本章目录 相关系数 其计算公式为： 由公式可见，可决系数是相关系数的平方。 相关系数越接近+1或－1，因变量与自变量的拟 合程度就越好。 回总目录 回本章目录 相关系数测定变量之间的密切程度，可决系数测定自变量对因变量的解释程度。相关系数有正负，可决系数只有正号。 正相关系数意味着因变量与自变量以相同的方向增减。 如果直线从左至右上升，则相关系数为正； 如果直线从左至右下降，则相关系数为负。 相