第三章多元线性回归的简化模型.ppt

给定显著性水平?，可得到临界值F?(k,n-k-1)，由样本求出统计量F的数值，通过 F? F?(k,n-k-1) 或 F?F?(k,n-k-1) 来拒绝或接受原假设H0。 直观解释 ——被解释变量的波动（总平方和）=已解释的被解释变量估计值的波动（回归平方和）+未解释的残差的波动（残差平方和），具体推导过程见课本66页。 ——“仪器”的构造思想是这样的：如果这些解释变量联合起来真的对被解释变量的波动具有显著的解释能力，那么，已解释的波动与未解释的波动之比应比较大。 ——但无论是已解释的波动也好，未解释的波动也罢，这种波动受组成“仪器”的模块的可自由变动的随机变量个数的影响。显然，自由变动的随机变量越多，波动就越大，故要去掉这种个数所带来的影响。 小概率事件的判断 x y Y=f(x)：密度函数 F?(k,n-k-1) 想一下，这个小概率事件的面积所处位置可以任意选择吗？为何选择尾部？ 要从两点思考上述问题：一是直观上“仪器”的构造；二是“密度”的含义。 Eviews上的判断，见前页。 在eveiws上操作 1、检验所有的解释变量联合起来是 否对被解释变量有有显著影响 （1）指标：F-statistic (2)概率大小：Prob(F-statistic） 2、检验部分解释变量联合起来 是否对被解释变量有无显著影响 （1）指标（仪器）： 3.单个解释变量系数的显著性检验 （1）检验目的：仍与一元的一样，看一下某一个解释变量是否对被解释变量真的具有重要影响？ （2）检验原假设H0：βi=0，i=1…k。 （3）检验所用的“准确”的“仪器”： 服从于标准正态分布。 这里 其直观含义是：你所调查的第i个解释变量的变异程度。也就是说，你调查的第i个解释变量样本的差异程度。 比如，如果你在调查一个城市人群的消费行为时，如果你仅集中于某一个具有共同人群特征的小区，那么你的样本的差异程度就小。它所带来的问题是，如果你研究的是一个城市的总体，那么实际你这样调查是得不到多少信息的。 R2i的含义是，第i个解释变量与其他解释变量之间的相关程度。可见，解释变量之间的相关程度虽不会影响参数估计的准确性，但会影响假设检验的有效性。 注：这个“仪器”须记住，与一元线性模型相比，多了什么？ （4）相对不太准确的“仪器” 即是用σ2的估计值来代替σ2。此时得到的“仪器”的分布，服从于自由度为n-k-1的T分布。 这里n是样本数量，k是解释变量的个数。 这个“仪器”也要记住 （5）检验的标准 不太严格的来看，如果T的绝对值大于等于2，那么就可认为小概率事件发生，即拒绝原假设。 它的经济含义就是说，第i个解释变量对被解释变量在统计上有着显著的影响，即它是影响被解释变量的重要因素。 样本容量问题：一个原则是，样本越多越好，但最小不能小于未知参数的个数。见课本64页。 考虑一下，如果你试图提高T的值，有哪一些方法？ 第四节 非线性模型 4.1.非线性模型的定义 计量经济学中的非线性模型，指的是一个模型关于参数是非线性的（nonlinear in parameters）。具体的，假定有如下模型形式： 若f(?)关于任何一个βi（i=1…k)的导数与β无关，那么就称模型（1）为线性模型，否则，称为非线性模型。例如： 式(4.2)是线性模型，式（4.3)是非线性 模型。 4.2.非线性最小二乘法的估计 以式(4.1)为例，非线性最小二乘法是使得下式的和最小化： 系数的协方差矩阵的估计为： 由式（ 4.5）可知，非线性最小二乘法的系数估计的方差未必存在。因为，它取决于矩阵是否是可逆的。 4.3.NLS法的eviews操作 以下述模型为例： y=a+b(kb1+Lb2)+ε (4.5) 操作方法： 1、直接以非线性方程的形式输入 （1）点击object/new object/equation (2)在跳出的对话框（图1）中输入： y=c(1)+c(2)(k^c(3)+L^c(4)) 然后，点击确定键即可。 图4.1 图4.2 2、省略被解释变量的输入法 其他同方法1，唯一区别是在图1中直接输入： c(1)+c(2)(k^c(3)+L^c(4)) 但要注意，这种估计方法与第一种方法结果并不相同，因为它实际是对下式进行估计： 例如，估计Cobb-Dauglas生产函数 Q = AK?L? Q：产出量，K：投入的资本；L：投入的劳动 操作： 第一步，建立文件，产生变量数据对象后，在跳出的对话框中输入方程表达式（图4.4） 第二，点击OK，得出估计结果（图4.5）。 4.3.例子 Q K 1980 36 138.8999939 1981 36139.