jsy2一元线性回归模型剖析.ppt

第二章 经典单方程计量经济学模型：一元线性回归模型 回归分析概述 一元线性回归模型的参数估计 一元线性回归模型检验 一元线性回归模型预测 实例 §2.1 回归分析概述 一、高尔顿与回归分析方法 二、变量间的关系及回归分析的基本概念 一、高尔顿与回归分析方法 父代与子代的关系：回归 例：父亲们的身高与儿子们的身高之间关系的研究 传统认为身高受遗传影响，高爸爸生高儿子，矮爸爸生矮儿子(我国民间也有“爹矮矮一个，妈矮矮一窝”的说法)。如果高者越高，矮者越矮，那么经过漫长的岁月后，高的应该伸进了天，低的应该贴到了地。然而实际上各人种的平均身高都是相当稳定的。难道传统看法有误，其实人和豌豆是一样的？ 1889年F.Gallton和他的朋友K.Pearson收集了上千个家庭的身高、臂长和腿长的记录； 企图寻找出儿子们身高与父亲们身高之间关系的具体表现形式； 下图是根据1078个家庭的调查所作的散点图（简图） 儿子们的身高向着平均身高“回归”以保持种族的稳定 二、变量间的关系及回归分析的基本概念 1. 变量间的关系 （1）确定性关系或函数关系：研究的是确定现象非随机变量间的关系。 对变量间统计依赖关系的考察主要是通过相关分析(correlation analysis)或回归分析(rearession analysis)来完成的 ①不线性相关并不意味着不相关。 ②有相关关系并不意味着一定有因果关系(如肺癌患病率与吸烟的关系就是相关关系而非因果关系)。 ③相关分析和回归分析都是研究随机变量的统计依赖关系的，都能测度线性依赖程度大小。 ④相关分析主要研究随机变量间的相关形式及相关程度，而无需考虑二者间是否有因果关系，因此变量的地位是对称的。回归分析则关注于有统计相关性的变量间的因果关系分析，对变量的处理方法存在不对称性，即区分应变量（被解释变量）和自变量（解释变量）：前者是随机变量，后者不是。 回归分析(rearession analysis)是研究一个变量关于另一个（些）变量的具体依赖关系的计算方法和理论。 其目的在于通过后者的已知或设定值，去估计和（或）预测前者的（总体）均值。 被解释变量（Explained Variable）或应变量（Dependent Variable）。 解释变量（Explanatory Variable）或自变量（Independent Variable）。 可暂时不讲 回归分析关心的是根据解释变量的已知或给定值，考察被解释变量的总体均值，即当解释变量取某个确定值时，与之统计相关的被解释变量所有可能的对应值的平均值。 （1）根据样本观察值对经济计量模型参数进行估计，求得回归方程； （2）对回归方程、参数估计值进行显著性检验； （3）利用回归方程进行分析、评价及预测。 §2.2 一元线性回归模型的参数估计 一、一元线性回归模型的基本假设 二、参数的普通最小二乘估计（OLS） 三、参数估计的最大或然法(ML) 四、最小二乘估计量的性质 五、参数估计量的概率分布及随机干 扰项方差的估计 说 明 单方程计量经济学模型分为两大类：线性模型和非线性模型 线性模型中，变量之间的关系呈线性关系 非线性模型中，变量之间的关系呈非线性关系 一元线性回归模型：只有一个解释变量 在解释变量中被忽略的因素的影响； 变量观测值的观测误差的影响； 模型关系的设定误差的影响； 其他随机因素的影响。 产生并设计随机误差项的主要原因： 理论的含糊性； 数据的欠缺； 节省原则。 回归分析的主要目的是要通过样本回归函数（样本回归方程）尽可能准确地估计回归模型。 估计方法有多种，其中最广泛使用的是普通最小二乘法（ordinary least squares, OLS）。 为保证参数估计量具有良好的性质，通常对模型提出若干基本假设。 实际这些假设与所采用的估计方法紧密相关。 假设3. 随机误差项?与解释变量X之间不相关： Cov(Xi, ?i)=0 i=1,2, …,n 假设4. ?服从零均值、同方差、零协方差的正态分布 ?i~N(0, ??2 ) i=1,2, …,n 二、参数的普通最小二乘估计（OLS） 最小二乘法的思路 1．为了精确地描述Y与X之间的关系，必须使用这两个变量的每一对观察值，才不至于以偏概全。 2．Y与X之间是否是直线关系（协方差或相关系数）？若是，将用一条直线描述它们之间的关系。 3．在Y与X的散点图上画出直线的方法很多。 4. 我们的任务？——找出一条能够最好地描述Y与X（代表所有点）之间的直线。 5．什么是最好？—找出判断“最好”的原则。 最好指的是找一条直线使得