计量经济学基础多元线性回归.pptVIP

第2章 多元线性回归模型 主要内容 第一节 多元线性回归模型的特点 第二节 多元线性回归模型的参数估计 第三节 多元线性回归模型的假设检验 第四节 实例 第一节 多元线性回归模型的特点 第二节 多元线性回归模型的参数估计 1、最小二乘估计 2、最大似然估计 3、最小二乘估计的性质 第三节 多元线性回归模型的假设检验 1 、拟合优度检验 （2）判定系数 2、方程的显著性检验（F 检验） 3、变量显著性检验（t 检验） 4、置信区间 上述统计量用于变量的显著性检验。 如果变量是显著的，那么参数 应该显著的不为0于是提出原假设为 给出显著性水平 当 ： 则拒绝H0，即认为变量xi显著的 。 在实际问题中，如果自由度大于等于20且显著性水平定在0.05，当 t 值在绝对值上超过2时，就可以拒绝原假设。 【注】：在某些实际问题中，各个变量的T值相差较大，有些很高的显著性水平下显著。有的则在不太高的显著性水平下显著。那么是否都认为通过显著性检验呢？ 没有绝对的显著性水平，关键在于考虑变量的经济关系上是否对解释变量有影响。显著性检验起到验证作用。同时还要看显著性水平不太高的变量在模型中以及模型应用中的作用，不要简单地剔除变量。 “2 倍 t ” 法则（“2-t ”Rule of thumb） (1) 参数估计的置信区间 已知估计参数 给定显著性水平 的置信区间为 ： 在实际应用中：希望置信水平越高越好，置信区间越小越好！如何缩小置信区间呢？ 【注】 1. 增大样本容量（可使 变小，同时 使减小） 2. 提高模型的拟合优度 3. 提高样本观察值的分散度（样本越分散cii越小）。 * 信息系刘康泽 信息系刘康泽 * 中南财经政法大学刘康泽 中南财经政法大学刘康泽 多元线性回归模型的一般形式： k为解释变量的数目 习惯上把常数项看成一个虚拟变量的系数，在参数估计中该变量 的样本观测值始终取１。这样模型中解释变量的个数为k＋1。 多元线性回归模型的矩阵形式为： 多元线性回归模型的假设： (1)随机项的每一个元素的数学期望为零，即 (2)随机项的每一个元素的方差都相同，即 (3)不同随机项之间是不相关的，即 (4)解释变量x1 , x2 ,… xn与随机项之间也是不相关的，事实上我们假设解释变量是非随机变量，因此 (5)随机项服从正态分布，即 (6)解释变量彼此线性无关，也就是无多重共线性，即 随机抽取n组样本： 如果模型的估计量 已经得到，即设： 分别是 的估计量，则 称 为k元线性回归方程 使 成立的 叫做多元线性回归模型的最小二乘估计 定义： 由一阶条件得： 称方程组(2)为正则方程组， 由此方程组可以求出参数的估计值： 用矩阵形式表示上述方法 根据求最小值的一阶条件 得出 残差向量 因此 是 的无偏估计 对于多元回归模型： 于是样本观察值的联合概率密度函数为： 两边同时取对数得 对L*求最大值就相当于对 求最小值 由一阶条件 得 的极大似然估计 它与最小二乘估计是完全相同的。 （1）线性性： 都是 的线性函数 （2）无偏性： 是 的无偏估计 证明： （3）有效性 在 所有的无偏估计中 是方差最小的，因此是最有效的估计。 证明： 设 是 的无偏估计 Gauss-Markov定理 的协方差矩阵 是BLUE（Best Linear Unbiasedness Estimator） 拟合优度检验，顾名思义显检验模型对样本观测值的拟合程度。思想：构造一个可以表征拟合程度的指标——统计量。 （1）平方和分解 残差为 总