第五章 经典线性回归模型(II)(高级计量经济学-清华大学 潘文清).ppt

第五章 经典线性回归模型(II);§5.1 回归模型的解释与比较Interpreting and Comparing Regression Models; 因此，当一个工资模型为 Y=?0+?1age+?2age2+?3education+?4gender+? 时，只能测度“年龄”变化的边际效应： ;即弹性并非常数，而是随着Xj的变化而变化。;二、选择解释变量 Select the Set of Regressors; 1、部分回归(partial regression);对 X2=X1Q1+(I-P1)X2 =X1Q1+M1X2 =explained part + residuals M1X2就是排除了X1的其他因素对X2的“净”影响。 X2对X1的回归称为辅助回归(auxiliary regression); ;Proof: b为原无约束回归模型的OLS解，则有 X’Xb=X’Y;记受约束模型(5.1.2)的OLS解为br=(X1’X1)-1X1’Y; 将无约束模型代入受约束模型(5.1.2)的OLS解br=(X1’X1)-1X1’Y ，可得;方差： 由于 br-E(br|X1)= (X1’X1)-1X1’?1 则： Var(br|X1)=E{[br-E(br|X1)] [br-E(br|X1)]’} = (X1’X1)-1X1’E(?1?1’)X1(X1’X1)-1 =?2(X1’X1)-1;Proof: 由受约束模型的参数估计量 br=b1+Q1b2得 b1=br-Q1b2 ; E(b2|X)=?2+(X2’M1X2)-1X2’M1E(?1|X)=?2 于是： b2-E(b2)=(X2’M1X2)-1X2’M1?1 Cov(b2,br)=E{[b2-E(b2)][br-E(br)]’} =E{(X2’M1X2)-1X2’M1?1[(X1’X1)-1X1’?1]’} = (X2’M1X2)-1X2’M1E(?1 ?1’)X1(X1’X1)-1 =?2(X2’M1X2)-1X2’M1X1(X1’X1)-1 =0;3、多选无关变量(redundant variables);或 b1=br-Q1b2 无论是否有?2=0, 始终有Var(b1)?Var(br);§5.2 多重共线性; 1、估计量的方差; 一般地，在多元回归中，记 Y=X1?1+X2?2+?;于是： Var(b2)=?2/SSR; 四个因素共同影响着bj方差的大小。 Rj2为Xj关于其他解释变量这一辅助回归的决定系数1/(1-Rj2)称为方差膨胀因子(variance inflation factor);估计量不准确，?j的样本估计值可能会远离真值 置信区间大，关于?j的不同的假设都可能被接受，bj可能不会显著地异于“任何”假设 t检验值变小，可能将重要的变量排除在模型之外 使区间预测的“区间”变大，使预测失去意义。; 3、何时需要多重共线性;特别地，取; 可见，较强的共线性使得?1、?2的估计量的方差较大，从而对它们各自的估计变得不准确性确； 但却使?1、?2的组合?1+?2的估计量的方差变小，因此使该组合的估计变得更准确。;§5.3 广义最小二乘估计Generalized Least Squares Estimation; 注意：;二、最小二乘估计 Least Squares Estimation;另外，E(e|X)=ME(?|X)=0 Var(e)=MVar(?|X)M’=?2MVM’;显然，该期望不等于真值 Var(b)= ?2[(X’X)-1X’]V(X’X)-1X’]’ = ?2[(X’X)-1(X’VX)(X’X)-1];注意：;三、广义最小二乘估计 Generalized Least Squares (GLS) estimation;记为： Y*=X*?+?* (*