第三章多元线性回归模型(本科生计量经济学).pptx

1 第三章 经典单方程计量经济学模型：多元线性回归模型Multiple Linear Regression Model 2 3.1、多元线性回归模型与参数估计 多元线性回归函数 3 多元线性回归模型的参数估计 正规方程组 4 普通最小二乘估计是线性估计。 5 多元线性回归模型参数估计与参数的关系（证明略）: 6 多元线性样本回归模型: 多元样本回归函数（模型的拟合值） 残差： 7 正规方程组：普通最小二乘估计残差的性质 8 多元线性回归模型最小二乘估计量的性质 9 对多元线性回归模型的经典假设： 多元模型的设定是正确的，k个它们之间不相关（即无多重共线性） 随机扰动项期望为0，方差相同,随机扰动项之间不相关;服从正态分布。 解释变量与随机扰动项之间不相关（相关系数为0） 10 多元线性回归模型经典假定下的一些推论： 1、在线性回归模型的经典假定下，随机扰动项独立同服从正态分布，即 2、 且被解释变量之间也独立。 11 经典假定之下，多元线性回归模型随机扰动项方差的最小二乘估计为： 12 1、无偏性 2、有效性（最小方差性）：在所有线性无偏估计中，最小二乘估计具有最小方差。（证明略） 在上述假设之下：多元线性回归模型的普通最小二乘估计具有如下性质： 3、一致性 13 在满足基本经典假设的情况下，多元线性模型参数的普通最小二乘估计仍具有线性性、无偏性、有效性、一致性。 结论:多元线性回归模型普通最小二乘估计的高斯-马尔可夫定理 14 多元线性回归模型参数估计的分布 在上述关于多元线性回归模型的假设之下： 15 多元线性回归模型参数估计的方差 参数估计量的样本标准差 16 多元线性回归模型的参数的区间估计 βj置信区间： 17 3.2 多元线性回归模型的统计检验 记 总离差平方和（Total Sum of Squares） 回归平方和（Explained Sum of Squares） 残差平方和（Residual Sum of Squares ） TSS的自由度：n-1 ESS的自由度：k RSS的自由度：n-k-1 总离差平方和的分解 18 TSS=ESS+RSS 可决系数： 意义：同一元线性回归模型的可决系数。 总离差平方和仍然可以分解： 19 多元线性回归模型的可决系数的调整：调整的可决系数。 可决系数的缺陷：可决系数是解释变量个数的不减函数。 20 调整的可决系数（adjusted coefficient of determination） 与可决系数的关系： 21 要比较两个模型的拟合程度 ，当待估计的参数个数相同时，可决系数较大、调整的可决系数较大的模型拟合效果好；当待估计的参数个数不相同时，可决系数较大并不一定意味着模型拟合得更好；调整的可决系数较大的模型拟合效果才更好。 可决系数与调整可决系数的用途 22 *、赤池信息准则和施瓦茨准则 为了比较所含解释变量个数不同的多元回归模型的拟合优度，常用的标准还有: 赤池信息准则（Akaike information criterion, AIC） 施瓦茨准则（Schwarz criterion，SC） 注意：AIC、SC越小,模型拟合的越好。 似然函数值，k为解释变量个数，n为样本容量。 23 方程的显著性检验，检验系统性因素（由解释变量构成的整体）对被解释变量之间是否有显著影响作出推断。 对方程是否显著的检验：联合检验 多元线性回归模型的显著性检验：对方程的显著性检验 24 方程显著性检验的想法： 检验原理：如果这个比值较大，方程具有显著性。否则，方程没有显著性。 TSS=ESS+RSS 考虑如下比值： 25 若H0成立，则F应该比较小；反之，若F比较大，则拒绝原假设。 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，若F F(k,n-k-1)，则拒绝原假设H0，方程总体上显著成立；否则，若F=F(k,n-k-1)则没有理由表明方程显著成立。 统计量 26 可决系数与方程显著性检验F统计量的关系 １、Ｆ与可决系数同方向变化。 ２、Ｆ＝０与可决系数为０等价。 27 多元线性回归模型变量的显著性检验： 多元回归模型中，检验第j个解释变量Xj对被解释变量是否有影响时检验的原假设与备择假设： H1：j0 H0：j=0 检验统计量： 若|Tj| t/2 (n-k-1)，则拒绝原假设H0，即第j个解释变量对被解释变量有显著的影响。 28 问题：一元线性回归模型的方程的显著性检验是什么？ 29 1、最小样本容量 所谓“最小样本容量”，为了得到唯一的普通最小二乘估计，所需要的最小样本容量。 样本最小容量必须不少于模型中待估参数的个数,即