第三章多元线性回归模型——组合后.pptVIP

第三章 多元线性回归模型 第一节 多元线性回归模型及古典假定 第二节 多元线性回归模型的估计 第三节 多元线性回归模型的检验 第四节 多元线性回归模型的预测 第五节 案例分析 第一节 多元线性回归模型及古典假定 一、多元线性回归模型 1.总体回归函数PRF 2.样本回归函数SRF 3.偏回归系数 二、多元线性回归模型的矩阵形式 三、多元线性回归模型的古典假定 一、多元线性回归模型 多元线性回归模型：描述一个被解释变量与多个解释变量之间的线性关系，线性是就各个参数而言的，对解释变量可以是线性的也可以不是线性的。 1.总体回归函数PRF 2.样本回归函数SRF 3.偏回归系数 在多元线性回归模型中，回归系数 表示的是当控制其他解释变量不变的条件下，第 j个解释变量的单位变动对被解释变量平均值的 影响，这样的回归系数称为偏回归系数。 二、多元线性回归模型的矩阵形式 三、多元线性回归模型的古典假定 无多重共线性假定 第二节 多元线性回归模型的估计 一、多元线性回归模型参数的最小二乘估计 二、参数最小二乘估计的性质 三、参数最小二乘估计的分布 四、随机扰动项方差的无偏估计 一、多元线性回归模型参数的最小二乘估计 多元线性回归模型参数的最小二乘估计 二、参数最小二乘估计的性质 在古典假定下，多元线性回归模型的最小二乘估计式是最佳线性无偏估计（BLUE）。 1.线性 参数的最小二乘估计式是被解释变量Yi的线性组合。 2.无偏性 3.最小方差性 三、参数最小二乘估计的分布 四、随机扰动项方差的估计 第三节 多元线性回归模型的检验 一、拟合优度检验 1.多重可决系数 2.修正的可决系数 二、回归方程的显著性检验（F检验） 三、回归参数的显著性检验（t检验） 一、拟合优度检验1.多重可决系数 所估计的样本回归线对样本观测数据拟合的优劣程度，称为样本回归线的拟合优度（goodness of fit）。 多重可决系数 说 明 多重可决系数R2是出现在模型中的解释变量个数的不减函数。 例如： 2.修正的可决系数（adjusted R2） 说 明 说 明 一般来说， 或 越大，模型拟合得越好，但大到什么程度才算模型拟合得好，并没有一个绝对的数量标准。 拟合优度并不是评价模型优劣的唯一标准，同时，还应考虑解释变量对被解释变量的逻辑或理论关系及统计显著性。 二、回归方程的显著性检验（F检验） 回归方程的显著性检验，是在一定的显著性水平下，从总体上对模型中被解释变量与解释变量之间的线性关系是否显著成立进行的一种统计检验。 说明：一元线性回归中的F统计量 说明：F统计量与可决系数R2的关系 三、回归参数的显著性检验（t检验） 第四节 多元线性回归模型的预测 多元线性回归模型的预测，是指对各个解释变量给定样本以外数据 的条件下，对预测期被解释变量Y的个别值Yf或平均值 进行估计。 本章小结 多元线性回归模型的PRF、SRF 古典假定或高斯假定的内容 多元线性回归模型的OLS估计式 参数的OLS估计是BLUE 拟合优度检验 回归方程的显著性检验（F检验） 回归参数的显著性检验（t检验） 随机变量 在H0成立的条件下， 服从F分布的随机变量在右尾出现的概率是比较小的，给定显著性水平 ，查F分布表，可以得到临界值 。 没有发生小概率事件，接受原假设，被解释变量与所有的解释变量之间不存在显著的线性关系。 小概率事件发生，拒绝原假设，被解释变量与所有的解释变量之间存在显著的线性关系。 对回归方程的显著性检验（F检验），实际上也是对R2的显著性检验。 当 已知时， 当 未知时， 随机变量 服从t分布的随机变量在两尾出现的概率是比较小的，给定显著性水平 ，查t分布表，可以得到临界值 。 没有发生小概率事件，接受原假设，第j个解释变量Xj对被解释变量Y无显著影响。 小概率事件发生，拒绝原假设，第j个解释变量Xj对被解释变量Y有显著影响。 可用于估计 * * 条件均值形式 个别值形式 说明： 模型中有k-1个解释变量： ：对应着解释变量的第i组值 ：为模型的参数 条件均值形式 个别值形式 说明： 是 的估计； 分别是总体回归参数 的估计； 如果样本容量为n，则i取1～n。 假设对被解释变量Y及多个解释变量做了n次观测，则i取1～n ，所得n组观测值的线性关系如下： 注意：Xji的意义！（j取1～n; i取1 ～ k） 数据矩阵或设计矩阵 总体回归函数与样本回归函数的矩阵形式 总体回归函数 样本回归函数 条件期望形式 个别值形式 1.零均值假定 2.同