四.多元回归分析：推断.pptVIP

多元回归分析：推断 OLS估计量的抽样分布 假定MLR6（正态性） 总体误差 独立于解释变量 ，而且服从均值为零和方差为 的正态分布，即 就横截面回归中的应用而言，这6个假定被称为经典线性模型（CLM，classical linear model）假定 . 总结CLM总体假定的一个简洁方法是： 问题 假设独立于解释变量，而且以相同概率取值-2、-1、0、1、2。这样会违背高斯—马尔可夫假定吗？会违背CLM假定吗？ 还能举出一些例子吗？ 定理4.1(正态抽样分布） 在CLM假定MLR1—MLR6下，给定自变量的样本值，有 因此 检验对单个总体参数的假设：t检验 定理4.2 在CLM假定MLR1—MLR6下，有 式中，k+1是总体模型 中未知参数个数。 单侧检验和双侧检验 以小时工资方程为例。利用数据WAGE1.RAW，得到如下估计方程 针对exper对log(wage)的影响，考察下面三种检验： （1） 拒绝零假设； （2） 不拒绝； （3） 拒绝； 下面这个例子说明，有的时候改变模型设定会改变一个自变量的显著性。 一种观点认为，在所有其他条件相同的情况下，小学校的学生比大学校的学生情况要好一些。利用数据文件MEAP93.RAW。被解释变量是数学测验（math10)成绩，学校规模由注册人数(enroll)来度量。另外我们还控制其他两个因素：平均教师工资（totcomp)和平均每千名学生拥有的教师数量（staff).前者是对教师质量的一种度量，后者大致度量了学生所受关注程度。 虚拟假设是 ，而对立假设是 估计方程（标准误在括号中）是 由回归结果的p值0.3592可知，我们不能拒绝零假设。 为了解释函数形式对我们已有结论的影响，我们将自变量都取对数后再进行回归。结果如下： Log(enroll)系数估计量的p值为0.0681，在10%的显著性水平上我们可以拒绝零假设 从而支持对立假设 检验斜率的其他假设 尽管检验参数是否为零是最常见的假设，但是还是有时候希望检验参数是否等于其他常数。此时虚拟假设为 相应的t统计量为 下面以两个例子来说明这种检验方法。 校园犯罪与注册人数 考虑大学校园内犯罪次数（crime)和学生注册人数的一个简单模型 利用美国1992年97个大学和学院的数据，针对 来检验 。数据来源于联邦调查局的《统一犯罪报告》。回归结果如下： t值为（1.27-1)/0.11=2.45大于显著性水平为5%的单侧检验临界值1.66，从而我们可以拒绝零假设支持备择假设。 住房价格和空气质量 对于一个由波士顿地区506个社区组成的样本，我们估计一个联系社区中平均住房价格（price)与社区各种特征的模型：nox表示空气中氧化亚氨的含量；dist表示该社区相距五个商业中心的加权距离；rooms表示该社区平均每套住房的房间数；而stratio则为该社区学校的平均学生—教师比。总体模型如下： 我们的假设如下： 利用HPRICE2.RAW中数据，估计模型为 零假设对应的t统计量为（-0.954+1)/0.117=0.393 对经典假设用语的一个提醒 当 未被拒绝时，我们喜欢说“在x%的显 著性水平上不能被拒绝”，而不是说“我们在 x%的显著性水平上接受 ”。 检验关于参数的一个线性组合的假设 我们利用一个简单模型来说明这个方法如何使用：比较两年制大专教育和四年制本科教育（大学教育）的回报（Kane Rouse,1995)。基本模型如下 式中，jc为参加两年制大专的年数；univ为参加大学的年数。这里jc和univ的任意组合都是允许的。 我们关心的问题是：在大专一年是否比的上在大学一年。这可表示为： 上述假设可重新表示为： 为了检验零假设，我们需要计算 ， 但是我们不知道 。 注意：一般情况下 是不对的。 下面我们利用回归的方法来计算上述t统计量。令