第四章多元线性回归模型管理预测.ppt

第四章 多元线性回归模型 内容提要 第一节 多元线性回归模型的建立及假定条件 假设被解释变量Y是解释变量X1，X2，┅，Xk和随机误差项u的线性函数，表达式为： 设（ X1i，X2i，┅，Xki；Yi），i=1，2，┅，n是对总体（ X1，X2，┅，Xk；Y）的n次独立样本观测值，则： 设样本（X1i，X2i，┅，Xki；Yi），i=1，2，┅，n 多元线性回归模型在满足下列基本假设的情况下，可以采用普通最小二乘法（OLS）估计参数。 （1）零均值：即随机误差项是一个期望值或平均值为零的随机变量。 E(?i) =0 i=1,2, ┅ 则，Yi的期望值或平均值为： E(Yi)=?0+?1X1i +?2X2i + ┅ + ?kXki i=1,2, ┅ 矩阵表达式为： （2）同方差 对于解释变量X1，X2，┅，Xk的所有观测值，随机误差项具有相同方差。 Var(?i)=E(?i2) =?2 i=1,2, ┅ 则，Yi与?i具有相同的方差： Var(Yi)=?2 i=1,2, ┅ （4）解释变量X1，X2，…，Xk是确定性变量，不是随机变量；并且解释变量与随机误差项之间不相关。即: Cov(Xij ，?j)=E(Xij ，?j)=0 i=1,2,┅,k; j= 1,2,┅,n （5）?I服从正态分布 ?i~N(0, ?2 ) i=1,2, ┅,n 则Yi~N(?0+?1X1i+?2X2i+┅+?kXki,?2) i=1,2, ┅ ,n 第二节 最小二乘法 第三节 最小二乘估计量的特性 证明： 令A=（X’X）-1X’ 由古典假定（4），X1，X2，┅，Xk是非随机变量，所以矩阵A是一个非随机的（k+1）×n阶常数矩阵。 记 C=（X’X）-1=（Cij） 则： 例4.3: 企业管理费取决于两种重点产品的产量，线性回归模型是：Y=?0+?1X1+?2X2+u 第四节 可决系数 二、总离差平方和的分解 第五节 显著性检验与置信区间 三、回归系数的置信区间 第六节 预测 一、点预测 点预测值由已给定的诸X值对应的回归值给出，即： 2.均值的预测区间 总结：多元线性回归分析计算步骤及主要公式 第七节 案例分析 经过研究，发现家庭书刊消费水平受家庭收入及户主受教育年限的影响。 Y——家庭书刊消费水平（元/月）； X1——家庭收入（元/月）； X2——户主受教育年限（年） 若经调查得到一家庭的收入水平为X1=4000， X2=20，要求预测Y0。 补充： 虚拟变量 Dummy Variable 1、定义 许多经济变量是可以定量度量的。但也有一些影响经济变量的因素无法定量度量。 为了在模型中能够反映这些因素的影响，并提高模型的精度，需要将它们“量化”。这种“量化”通常是通过引入“虚拟变量”来完成的。 根据这些因素的属性类型，构造只取“0”或“1”的人工变量，通常称为虚拟变量（dummy variable），记为D。 2、模型中引入虚拟变量的作用 （1）可以描述和测量定性因素的的影响。 （2）能够正确反映经济变量之间的相互关系，提高模型的精度。 （相当于将不同属性的样本合并，扩大了样本容量）。 （3）便于处理异常数据。 二、虚拟变量的设置 1、虚拟变量的设置原则 （1）一个因素多个属性 如果某定性因素有 m 种互斥的属性类型，在模型中引入 m-1 个虚拟变量。 如果不如此，m个状态引入m个虚拟变量来表示，虚拟变量间会造成完全多重共线性。 则冷饮销售量的模型为： 在上述模型中，若再引入第四个虚拟变量： （2）多个因素多个属性 K个定性变量，每个变量有mi个属性类型（i=1，2，…，k） 虚拟变量个数为： 2、虚拟变量的引入方式 虚拟变量作为解释变量引入模型有两种基本方式：加法方式和乘法方式。 （2）乘法方式 用虚拟解释变量与其他解释变量相乘作为新的解释变量，以达到调整模型斜率系数的目的。 （3）一般方式（混合方式） 当截距与斜率发生变化时，则需要同时引入加法与乘法形