《金融计量学》part1.pptVIP

第2章 回归模型及其应用 回归的含义 总体回归函数(population regression function, PRF) 总体回归函数误差的设定 随机误差性的性质 样本回归函数(sample regression function, SRF) 线性回归的特殊含义 从多变量回归到多元线性回归 回归(Regression)是计量经济学的主要工具 . “回归”:最早由英国生物学家Francis Galton(1886)提出. 回归分析的现代释义 回归分析是关于研究一个叫做因变量的变量(Y,dependent)对另一个或多个叫做自变量的变量(X, independents)的依赖关系,目的是通过重复抽样的自变量的已知或设定值去估计或预测因变量的总体均值. 回归分析的基本问题 回归分析的主要目的是根据随机样本回归函数SRF来估计总体回归函数PRF. 　由于随机抽样的波动，根据SRF估计出来的PRF充其量只是真实PRF的一个近似的结果. (1) 能否设计一种规则或方法, 使得这种近似结果的误差尽可能小, 即参数?1,?2 的估计值尽可能接近真实的?1,?2? (2) 尽管真实的?1,?2永远不得而知, 但通过一系列假设可以运用估计误差ei 最小化的原则来实现. 设计一种规则或方法使得这种近似结果的误差尽可能小 通最小二乘法(OLS) 一元线性回归模型 古典回归线性模型(CLRM)的基本假设: (1) 总体回归函数参数线性: Yi =?1+?2Xi+ui ; (2) 解释变量与误差项不相关: cov(Xiui)=0; (3) 误差项的期望为零: E(ui)=0; (4) 每个误差项方差均为常数: var(ui)=?2; (5) 两个误差项之间不相关： cov(uiuj)=0(i?j). (6) 随机误差项服从零均值、同方差的正态分布: ui~N(0,?2). 普通最小二乘法(OLS) 对于给定的观测值(Xi,Yi),i=1,2,…,n, 希望　 尽可能接Y, 普通最小二乘法(OLS) 考虑采用残差平方和最小准则: 最小二乘法的准则, 通过使残差平方和最小找到的SRF作为PRF的最佳估计量. OLS估计量的方差与标准差 1. 由一组样本可以得到一组参数的估计值, 2. 样本的变化会导致参数的估计值发生变化, 因此 OLS估计量是随机变量, 随着样本的变化而改变; 若估计量随样本改变而变化的程度很低, 则标准误差(standard error)很小, 说明该估计量“很可靠”,或其精度高。 3. OLS估计量的性质 其中 2. 一致性 大样本下的一致性, 对估计量最基本的要求. 当样本量充分大时OLS估计量是总体参数的一致估计量. 3. 有效性 所有无偏估计量中方差最小的称为有效估计量. 高斯-马尔可夫定理： 在给定CLRM的假设下, OLS估计量就是最优线性无偏估计量. OLS估计量精度的度量: 系数估计的方差与标准差 OLS估计量的抽样分布 1. OLS法并未对误差项 ui 的概率分布做任何假设, 难以通过构造假设检验从SRF去推断PRF. 若误差项服从某一概率分布, 则可实现这一统计推断. 2. 通常在CLRM基础上假设误差项ui~N(0,?2), 则得到经典正态线性回归模型CNLRM: 正态分布假设的合理性 (1) 误差项ui代表回归模型中未明显引进的许多随机变量的总影响, 根据中心极限定理, 如果这些变量是独立同分布的, 则当变量个数充分大时,其总和变量服从正态分布; (2) 正态分布变量的任何线性函数都是正态分布的, OLS估计量都是ui的线性函数, 因此也是正态分布的; OLS估计量的抽样分布 正态分布X~N(?,?2) 概率密度函数 ?2-分布 (1) 当X1, X2, …, Xn相互独立且 Xi ~N(0,1)时, 随机变量 Z=X12+X22+…+Xn2 的分布称为自由度等于n的?2-分布, 记作Z~?2(n)。 t分布 若X与Y相互独立, 且X~N(0,1),Y~?2( n), 令 F 分布 各种分布的分位数 1. 随机变量X的分布函数为 F(x), 实数? 满足0 ? 1时: ? 分位数是使 P{X?}=F(?)=? 成立的临界值; 2. 上侧? 分位数是使 P{X?}=1-F(?)=? 成立的临界值?; 3. 双侧α分位数: 使 P{X?1}=F(?1)=?/2的临界值?1、 使 P{X?2}=1-F(?2)