第4章多元回归模型-估计与假设检验.pptVIP

本章主要内容;4.1 二元线性回归模型：总体回归函数;例如，; 也就是说，在多元回归中，偏回归系数反映了当模型中其他解释变量保持不变时，某个解释变量对被解释变量的条件均值的影响。 多元回归不但引入了多个解释变量，而且能够分离出每个解释变量对被解释变量的影响。 ;1. 回归模型是参数线性的，并且是正确设定的； 2. 随机误差项的条件均值为零； 3. 随机误差项的方差是常数（同方差）； 4. 所有解释变量都与随机误差项不相关； 5. 随机误差项不存在自相关。; 不同的是，多元回归有多个解释变量X，因而就多了以下这条对解释变量之间关系的假定： 6. 解释变量之间不存在完全共线性， 就是说，解释变量之间不存在严格的线性关系。 ; 如果X2与X3存在完全共线性，就无法估计偏回归系数B2、B3的值。 换句话说，不能估计解释变量X2、X3各自对Y的影响，因为此时X2和X3不是两个独立的变量。 实践中很难遇到完全共线性，但近似完全共线性的情况十分常见。 如何处理这个问题，将在第八章《多重共线性》详细讨论。 ;4.3 多元回归参数的估计;特征1 b2和b3表达式的分母相同。 特征2 b2和b3表达式是对称的， 即x2，x3互换也可得到相应的表达式。;继而推导出各估计量的方差和标准差：;多元回归OLS估计量的性质： 与一元回归一样，在古典线性回归模型的基本假定下，多元回归OLS估计量也是最优线性无偏估计量（BLUE）; 从以上这些讨论中不难发现，二元回归模型在许多方面是一元回归模型的直接推广，只不过估计公式略显复杂。 当推广到三元回归、四元回归…，那么计算公式将更加复杂。在这种情况下，必须使用矩阵代数，以简化各自表达式。 本课程不会涉及矩阵代数。;4.4 估计多元回归的拟合优度：判定系数;一个例子: 古董钟的拍卖价格; 与一元回归模型一样，多元回归模型也可以对每个参数分别进行显著性检验（单边或双边）。 当｜t｜大于5%显著水平所对应的临界值Z时，则拒绝H0，小于则不拒绝。 当然，也可以在EVIEWS输出结果里直接读取相应的p值?? p值小于5%则拒绝H0，大于则不拒绝。;;4.8 模型的显著性检验—F 检验; 与参数的显著性检验不同，模型的显著性检验的原假设H0是一个联合假设：;F分布,详见357页附录C.4； F分布表,详见388页表E-3;F 分布;检验结果： 如果F值大于显著水平α的所对应的临界值 则拒绝 小于则不拒绝。 也可以直接读取p值，若p小于α，则拒绝H0 大于则不拒绝。;EViews 回归结果;4.9 设定误差;; 由于自由度的原因，当增加回归模型的解释变量个数，判定系数R2就会越大。 因此，如果两个回归模型的解释变量个数不同，直接比较它们的判定系数R2就如同拿苹果和橘子比。 那么，为了判断各个多元回归模型拟合优度的大小，就需要一根“统一的标尺”：校正的判定系数 （adjusted R-squared）;性质： 如果 ,则 随着解释变量个数的增加，校正的判定系数越来越小于未校正的判定系数，这是对增加解释变量的“惩罚”。 虽然未校正的判定系数总为正，但校正的判定系数 可能为负。 ;EViews 回归结果;4.11 何时增加新变量？;Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd.;Thank you !