第3章回归分析基础.docVIP

第三章 回归分析基础 3.1 回归模型简介 一、数据、变量与模型 数据是进行模型分析的基础。一般地，数据可分为三类：一类为截面数据（Cross-Section Data），一类为时间序列数据(Time-Series Data), 另一类为平行数据（Panel Data）或混合数据(Mixed Data)。 截面数据研究个体在某个时点上的变化情况。例如，2001年1月末，全国各省、自治区、直辖市的国内生产总值（GDP）、财政收入、财政支出、货币发行量、固定资产投资额、进出口总额等，均为截面数据。再如，在某一时点上，某地区家庭费用开支数据，也是典型的截面数据。 时间序列数据是研究个体在一定时期内的变化情况。时间序列数据在日常生活中随处可见。例如，建国以来我国历年的国内生产总值（GDP）数据、居民消费额数据、零售物价指数数据等，均为时间序列数据。 平行数据是截面数据与时间序列数据的复合体，它既研究某段时间内个体的变化情况，又研究个体在每个时点上的变化情况。 变量是构成模型的框架，是对个体不确定性的一种因素度量。一般可将它分为两类：内生变量（Endogenous Variable）和外生变量（Exogenous Variable）。 内生变量是指由经济系统本身决定的变量。外生变量则指经济系统本身无法决定、并由外部因素决定的变量。内生产变量也称联合决定变量(Jointly-Determined Variables)。外生变量也称前定变量(Predetermined Variables)。例如，在简单的原油供求模型： （需求方程） （供给方程） 中，原油总量和原油价格均为内生变量，而国民收入和降雨量均为外生变量。 值得注意的是，内生变量与外生变量的认定并不是一成不变的，在一定条件下二者可以相互转换，应视研究对象和研究目的的不同而不同。此外，内生变量与外生变量的划分直接关系到模型参数的估计与推断，这是后话。 模型是数据与变量的有机合成，它以一定的经济理论为指导，并与变量的结构形式有关，是对经济关系最直观的表述。按照不同的标准，可将模型分为不同的类型。从方程个数角度划分，可将模型分为三类：第一类为单方程模型。例如，研究货币投放量与国内收入之间的关系，可建立方程： 这是一个时间序列的单方程经济计量模型，其中，为随机误差项。 第二类模型为多方程模型。例如，在研究教育消费支出与收入的关系，以及住房消费支出与收入的关系时，有如下方程组： 其中，和均为随机误差项。在此二方程间没有必然联系，可以放在一起研究，也可以拆开单独研究。放在一起研究的好处是可同时分析教育与住房消费支出的结构行为，便于更深入地发掘二者之间内在的关联性。 第三类模型为联立方程组。联立方程组模型的显著特点是：方程之间存在高度的结构依存关系。例如，下面是一个三方程的供给—需求模型： 　　 （供给方程） 　　　（需求方程） 　　　　　　　　　　 （平衡方程） 在此方程组中，由于供给方程、需求方程和平衡条件共同决定了市场处于均衡时的价格和供给量（也即需求量），故变量、和为内生变量，它们的值由模型内的方程确定。同时，和（收入）并不由模型直接决定，是外生变量。这里，价格滞后变量虽本质上仍由模型内部来决定——由价格变量的前期值确定，但通常的做法是，只要包含滞后内生变量的方程的误差项不存在序列相关，则认定该滞后内生变量为先决变量，即外生变量。显然，此供给—需求模型的三个方程间存在结构依存关系，它不同于多方程模型。 二、模型的拟合 建立模型的目的是通过探讨变量间的依存关系，定量、科学地反映经济问题的本质，发现规律，预测未来，把握事物的发展动向。由于变量间结构依存关系通常都很复杂，因此，我们采取循序渐近的方法进行研究。也即先简单后复杂、先特殊后一般的方法。 假定我们对变量和之间的关系感兴趣，并由散点图可以看出：与之间存在近似的线性关系。我们的任务是如何具体求出与之间这种近似的拟合直线，并且，在某种意义下这条拟合直线为“最佳拟合直线”。“最佳”的标准有很多，但最常用的和最基本的即为“最小二乘准则”，或称“最小二乘原理”。我们先介绍它的基本思想和基本公式。 最小二乘原理是求最佳拟合直线，使各个样本点到该直线的离差平方和达到最小。最小二乘原理的研究始于十九世纪初，1806年和1809年先后由著名数学家A. M. Legendre和 C. F. Gauss独立地提出，并将它应用于观测数据的误差分析。1900年，A. A. Markov证明了线性单方程模型下回归系数的最小二乘估计在线性无偏差估计类中具有最小的方差。即证明了著名的Gauss-Markov定理，从而确立了最小二乘法（或原理）在模型参数估计理论中的地位。印度统计学家