第六章 多元回归分析.ppt

第六章 多元回归分析 §6.1 模型的假定 §6.2 参数的最小二乘估计 §6.3 最小二乘估计量的性质 §6.4 多元线性回归模型的统计检验 §6.5 应用举例 回归系数 在前面的多元线性回归模型中， 称为回归系数。 称为偏回归系数（偏效应），它表示在其它自变量保持不变的条件下，该自变量变化一个单位将引起因变量平均变化多少个单位。 §6.5 应用举例 例6-3、中国居民人均消费模型 考虑建立中国居民人均消费的多元线性模型。 解释变量： 人均GDP：GDPP 前期消费：CONSP(-1) 估计区间： 1979~2000年 例6-4 企业的工资影响因素模型 使用Wooldridge的CEOSAL2.RAW中的数据得到以下关于企业工作人员工资的影响因素模型如下表，小括号内为标准误。其中变量mktval为企业的市场价值；profmarg为利润占销售额的百分比；ceoten为其就任当前公司CEO的年数;而comten则为其在这个公司的总年数。 （1）评论profmarg对CEO薪水的影响。 （2）市场价值是否具有显著影响？试解释你的结论。 （3）解释ceoten和comten的系数。这些变量是统计显著的吗？你如何解释在其他条件不变的情况下，你在这个公司任职时间越长，你的薪水则越低？ 例6-5 在职培训津贴对企业废弃率的影响 对于1987年密歇根州制造企业的一个样本（见Wooldridge中数据集JTRAIN.RAW中数据的一个子集），估计以下方程。 其中n=30, R2=0.431。小括号内为标准误。变量hrsemp为平均每个雇员每年受到培训的小时数；sales为企业年销售额；employ为企业雇员人数。 （1）判断变量hrsemp的系数的显著性，如果显著，企业增加培训能够降低废弃率，但企业还可能考虑其他什么因素？ （2）利用一个更大企业样本，1987年的43个观测值，得到总体回归模型 的估计方程，判断hrsemp的显著性。 （2）证明这个总体模型可以写成 解释假设 （3）当估计第（2）部分的方程时得到 控制了工人培训和销售-雇员比后，是否越大的企业具有越为统计显著的废弃率？ （4）检验假设：sales/employ提高1%将伴随以废弃率下降1% 对多个线性约束的F检验 不受约束模型（unrestricted model） 假设有q个排除性约束，不防设为自变量中的最后q个，虚拟假设为： 受约束模型（restricted model） 对立假设H1：不正确（即中至少有一个异于0）。定义检验的F统计量 式中RSSr为受约束模型的残差平方和，RSSur为不受约束模型的残差平方和。 分子中使用的自由度df ＝被检验的约束个数＝dfr-dfur 即受约束模型与不受约束模型的自由度之差。 分子中使用的自由度df ＝不受约束模型的自由度＝n-k 检验不同组之间回归函数（例如k个参数）上差别的邹至庄统计量如下 例6-1：在一个F3，60分布中5%的临界值和拒绝域 0 面积＝0.95 面积＝0.05 2.76 拒绝区域 例6-2：考虑如下解释主要俱乐部棒球运动员薪水的模型： 式中，salary为1993年的总薪水；years为进入俱乐部的年资；gamesyr为平均每年的比赛次数；bavg为平均职业击球次数；hrunsyr为平均每年的本垒打次数；rbisyr为每年的击球跑垒得分。假设检验的虚拟假设是，一旦控制了俱乐部的年资和每年的比赛次数，度量球员表现的统计指标(bavg、hrunsyr、rbisyr）对薪水没有影响。虚拟假设为 采用Wooldridge中MLB1.RAW数据未受约束的模型估计结果为 从t检验而言， bavg、hrunsyr、rbisyr中没有一个变量在5%的显著性水平上具有一个统计显著的t统计量，但这并不能表明可以拒绝H0，必须估计受约束模型。 受约束模型估计结果为 F统计量为 显著性水平为5%的临界值为2.60，显著性水平为1%的临界值为3.78，所以在1%的显著性水平拒绝bavg、hrunsyr、rbisyr对薪水没有影响的假设。 t统计量 由于 以cii表示矩阵(X’X)-1 主对角线上的第i个元素，于是参数估计量的方差为： 其中?2为随机误差项的方差，在实际计算时，用它的估计量代替: 因此，可构造如下t统计量 实际上 ，其中 为xi的总样本变异；