- 1、本文档共101页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
第二章 经典的线性回归模型 按(***)式估计 按(****)式估计 开头语:由于统计相关的随机性,回归分析关心的是根据解释变量的已知值或给定值,考察被解释变量的总体均值,即当解释变量取某个确定值时,与之统计相关的被解释变量所有可能出现的对应值的平均值。 说明:用OLS法得到的模型参数的估计值,但该估计本身的精度如何,可靠性程度多高,点估计本身不能回答,这就需要我们对其进行区间估计。 说明:在计量经济学中,对参数的区间进行估计大多数属于这种情况。 二、可化为线性的非线性回归实例 具体解释估计结果及其经济含义。 第五节 受约束回归 在建立回归模型时,有时根据经济理论需要对模型中的参数施加一定的约束条件。例如: (1)需求函数的0阶齐次性条件; (2)生产函数的1阶齐次性条件。 模型施加约束条件后进行回归,称为受约束回归,与此对应,不加任何约束的回归称为无约束回归。 一、模型参数的线性约束 (一)参数的线性约束 一般地,估计线性模型时可对模型参数施加若干个线性约束条件。例如: (一)参数的线性约束 (二)参数线性约束的检验 对所考察的具体问题能否施加约束?需进一步进行相应的检验。常用的检验有:F检验、χ2检验与t检验。 主要介绍F检验 在同一样本下,记无约束样本回归模型的矩阵式为 记受约束样本回归模型的矩阵式为 于是,受约束回归模型的残差项 由于对于相同的样本,TSS相同,因此,通常情况下,对模型施加约束条件会降低模型的解释能力。 (二)参数线性约束的检验 然而,当约束条件为真时, ,从而受约束回归模型与无约束回归模型具有相同的解释能力,RSSU与RSSR的差异较小。 于是,可用与RSSR-RSSU的大小来检验约束条件的真实性。由于 故 由此构造检验统计量为 检验规则:F≥Fα,拒绝约束条件为真,即认为无约束。 (二)参数线性约束的检验 在上节中国城镇居民对食品的人均消费需求 实例中,对零阶齐次性检验: 例1 无约束回归:RSSU = 0.017748,kU=3 受约束回归:RSSR = 0.017787,kR=1 样本容量为n=22,约束条件个数kU-kR=1 结论:不能拒绝中国城镇居民对食品的人均消费需求函数具有零阶齐次特性这一假设。 二、对模型增加或减少解释变量 考虑如下两个回归模型: 前者可看作是后者施加如下约束的受约束回归,通过约束检验决定是否增加或去掉变量。 检验规则:F≥Fα,拒绝H0,考虑增加Xk+1, Xk+2, …, Xk+q。 关于假定3的说明:在以因果关系为基础的回归分析中,往往就是通过解释变量X的变化来解释被解释变量Y的变化的,因此,解释变量X要有足够的变异性。而对其样本方差的极限为非零的有限的常数的假设,则旨在排除时间序列数据出现持续上升或下降的变量作为解释变量,因为这类数据不仅使大样本推断变得无效,而且往往产生所谓的伪回归问题。 说明1:0≤R2≤1,且R2越接近于1,说明实际观测点离样本回归线越近,拟合程度越好。说明2:判定系数的简便公式见教材。 说明:E(Y0)严格写法是条件均值E(Y0|X=X0),这里为了表述的方便,进行省略,以后类似。 两者联系:相关分析是回归分析的基础和前提,回归分析则是相关分析的深入和继续。 (一)估计量的导出及其矩阵表达 查,得到样本数据如下表所示,其中Y表示家庭书刊消费水平(元/月),X表示家庭收入,T 表示户主手教育年数。请估计家庭刊消费水平同家庭收入、户主受教育年数之间的线性关系。 (一)估计量的导出及其矩阵表达 解 总体回归模型设定如下 因变量观测值向量和解释变量观测值矩阵分别为 估计参数所需要的有关矩阵分别为 (一)估计量的导出及其矩阵表达 从而参数估计向量为 (一)估计量的导出及其矩阵表达 所以建立的样本回归方程为 两点注释: 注1:不难证明,利用OLS估计得到的回归值满足: 注2:能得到回归模型的参数估计值的最小样本容量n≥k+1。 (二)OLS估计的性质 1.线性性:参数估计量是被解释变量观测值Y1,Y2 ,…, Yn的线性组合。 2.无偏性:参数估计量的均值等于总体参数,即 3.有效性:参数向量β 的最小二乘估计是B的所有线性无偏估计量中方差最小的估计量。 (三)OLS估计量的分布 μ正态 Y正态 β 正态 记C=(X’X)-1的第 j 个主对角元素为Cjj,则 其中βj 的标准差为: (四)随机误差项方差的估计 可以证明,随机误差项的方差σ2的无偏估计量为 于是 估计标准误差 (四)随机误差项方差的估计 例2
文档评论(0)