第三章多元线性回归模型蓝色.pptVIP

在本章将把一元线性回归模型推广到多元线性回归模型，即在模型中将包含二个以上的解释变量。多元线性回归模型是实践中广泛应用的模型。我们从简单的双解释变量多元线性回归模型入手，然后再将其推广到三个及三个以上解释变量的多元线性回归模型。;;;多元回归分析与一元回归分析相比有如下优点; 3．多元回归模型更具有一般性。一元回归模型中，只能有一个解释变量，其函数形式不一定恰当。而多元回归模型具有较大的灵活性，有利于对总体回归模型做出正确的判断。 ; 含有两个解释变量的多元回归模型是最简单的多元回归模型。模型形式为 ; 式（5.1）中的 是截距项。表面上看， 代表X2和X3均取0时的Y的均值， 但这仅仅是一种机械的解释，实际上 是指所有未包含到模型中来的变量对Y 的平均影响。;; 例如在汽车需求分析中，可设定模型为; 又如在劳动力市场中，工资水平模型为; 在含有两个解释变量的多元回归模型中，经典线性回归模型的假定条件如下。 ;假定2：ui 无序列相关假定;假定4：ui 与每一个解释变量无关 ;假定6：解释变量X之间无完全的共线性 ;三、含有多个解释变量的模型 ; i＝1, 2, … ;式（5.9）的均值表达式为;把式（5.10）表示为增量形式则为;;; 式（5.13）中，Yt ＝某品牌汽车需求量，Pt ＝该品牌汽车价格，It ＝居民收入， ＝竞争性品牌汽车的价格. 代表当居民收入It 与竞争性品牌汽车价格不变时，该品牌汽车价格降低1元，需求量增加的数量。;第二节 最小二乘估计 ;;;最小的估计值 。据微积分知识，我们知道这个最小化问题就是使用多元微积分求解。其原理与一元线性回归方程的最小二乘法相同。得到含 这k 个未知变量的k个线性方程。;（5.18） ; 该方程组称为正规方程组，求解该方程组，可得到 的值。即使是较小的方程组，手工计算也是很繁重的工作。借助经济计量分析软件，对较大的n 和 k，也能很快求解这些 方 程。本书推荐的EViews软件就提供了这一计算程序。 ;;【例5.1】 工资回归模型 ;;二、判定系数R2及调整的判定系数;; 判定系数R2的一??重要性质是：在回归模型中增加一个解释变量后，它不会减少，而且通常会增大。即R2是回归模型中解释变量个数的非减函数。; 在式 （5.20）中，TSS 就是 ，与模型中的X 变量的个数无关。但RSS 即 却与模型中出现的解释变量个数相关。随着X 变量个数的增加， 会减小，至少不会增大；因此，判定系数R2将会增大。所以，使用R2来判断具有相同被解释变量Y 和不同个数解释变量X的回归模型的优劣时就很不适当。;; 为了消除解释变量个数对判定系数R2的影响，需使用调整后的判定系数：;;调整的判定系数 和 R2 的关系为; 在回归分析中，我们的目的并不是为了得到一个高的 ，而是要得到真实总体回归系数的可靠估计并做出有关的统计推断。在实证分析中，经常碰到有着较高的 ，但某些回归系数在统计上不显著的回归模型，这样的模型是没有应用价值的。;所以，我们应更加关心解释变量对被解释变量的理论关系和统计显著性。如果在其它条件相同的条件下，得到一个较高 ，当然很好；如果 偏低，也不能说明模型不好。在经典线性回归模型中，并不要求 一定是较高的。;【例5.2】 大学平均成绩的决定因素;;三、最小二乘估计量的期望值和方差;; 在多元回归分析中，如果回归模型的函数形式设定有误或遗漏了与包含在模型中的变量相关的重要解释变量，都会导致经典假定E(ui)＝0不成立，即E(ui)≠0。如此，则使得最小二乘估计量 不是总体参数的无偏估计，即 。;; 无偏性不是针对某一特定样本而言的，而是指将普通最小二乘法用于各种可能的随机样本时，这种方法得到的结果是无偏的。;就是说将普通最小二乘法用于不同的样本，将会得到许多不同的估计值 ，i 表示第i 个样本，j 表示第j 个参数。这些不同的估计值的均值等于总体参数 。但对于一个具体的估计值就谈不上无偏性。;;（二） 的方差和标准误; 在满足经典假定的条件下，偏斜率系数估计量的方差为;; １． 与 成正比； 越大， 的方差Var( )越大。;;