线性回归基本思想.pptVIP

第6章 线性回归的基本思想 ——双变量模型 6.1 回归的含义 回归分析的应用 （1）通过已知变量的值来估计应变量的均值 （2）根据经济理论建立适当的假设并对其进行检验 （3）根据自变量的值对应变量的均值进行预测 （4）上述多个目标的综合 6.2 总体回归函数:假想一例 总体回归函数PRF 6.3 总体回归函数的统计或随机设定 6.4 随机误差项的性质 * 第6章 * * 6.1 回归的含义 6.2 总体回归函数 6.3 总体回归函数的统计或随机设定 6.4 随机误差项的性质 6.5 样本回归函数 6.6 “线性”回归的特殊含义 6.7　从双变量回归到多元线性回归 6.8　参数估计：普通最小二乘法 6.9　综合 6.10 一些例子 6.11 总结 回归分析是用来研究一个变量（称之为被解释变量explained variable 或应变量 dependent variable）与另一个或多个变量（称之为解释变量 explanatory variable 或自变量 independent variable）之间关系的一种分析方法。 例如研究商品的需求量与该商品的价格、消费者的收入以及其他同类商品的价格之间的关系。 通常我们用Y表示应变量，用X表示自变量。 回归分析是用来处理一个应变量与另一个或多个自变量的关系，但它并不一定表明因果关系的存在。两个变量是否存在因果关系，哪一个是应变量，哪一个是自变量是由正确的经济理论决定的。 需要注意的是具有因果关系的变量之间一定具有数学上的相关关系，而具有相关关系的变量之间并不一定具有因果关系。 例如：中国的国内生产总值与印度的人口之间具有较强的相关性（相关系数较高），因为二者都以较快的速度增长，但显然二者之间不具有因果关系。 下面我们通过一个具体例子说明回归分析的用途。 33.6 33.0 31.9 30.3 29.2 27.3 26.1 24.4 22.1 20.9 均值 31 34 25 23 32 18 16 19 10 15 10 33 32 31 25 18 20 18 16 14 13 9 31 32 30 24 22 22 21 17 15 12 8 30 28 32 26 25 23 23 20 18 18 7 32 30 33 29 27 25 26 22 20 15 6 28 27 29 30 29 28 27 26 24 23 5 31 30 30 31 30 30 29 28 27 33 4 34 33 31 34 32 33 31 30 29 25 3 40 39 35 39 37 36 34 31 31 27 2 46 45 43 42 40 38 36 35 33 28 1 375 350 325 300 275 250 225 200 175 150 消费者 　 　 　 每周博彩支出 个人可支配收入 表6-1 每周博彩支出和每周个人可支配收入 分析步骤： （1）以个人可支配收入X为横轴，每周博彩支出量Y为纵轴，对表中数据作散点图。 （2）分析两变量间的关系 （3）做出总体回归直线 见Excel文件。 B1和B2是参数(parameters)，也称回归系数(regression coefficients)。 B1又称为截距(intercept)，B2又称为斜率(slope)。斜率度量了X每变动一个单位，Y的均值的变化率。 Y的条件期望，可简写为E(Y) 注意：回归分析是条件回归分析(conditional regression analysis)。 (6-1) }u 随机总体回归方程(stochastic PRF) ui表示随机误差项(random error term)，简称误差项。 0 150 300 X Y 每周个人可支配收入（美元） 每周博彩支出（美元） 20.90 25 30.3 24.0 }u . . . (6-2) （1）在解释变量中被忽略的因素的影响； （2）变量观测值的观测误差的影响； （3）模型关系的设定误差的影响； （4）其它随机因素的影响包括人类行为中的一些内在随机性； （5） 奥卡姆的剃刀原则——“简单优于复杂” 。 6.5 样本回归函数 如何估计总体回归函数，即求参数B1、B2呢？ 前面我们已经介绍了： 总体回归函数PRF 随机总体回归方程(stochastic PRF) (6-1) (6-2) 如果已知整个总体的数据，如上例，问题就比较简单，但在实际中，我们往往不能得到整个总体的数据，只有来自总体的某一个样本数据，我们该怎么做？ Y