经济预测与决策单方程回归模型.ppt

第四章 多元回归分析 §4.1 模型的假定 §4.2 参数的最小二乘估计 §4.3 最小二乘估计量的性质 §4.4 多元线性回归模型的统计检验 §4.5 预测 §4.6 几个补充问题 回归系数 在前面的多元线性回归模型中 称为回归系数。 称为偏回归系数（偏效应），它表示在其它自变量保持不变的条件下，该自变量变化一个单位将引起因变量平均变化多少个单位。 * 单方程回归模型的几个专题 动态经济模型：分布滞后模型 令 期的消费支出， 期的可支配收入 期的可支配收入， 期的可支配收入，考虑模型 （1） 比较两个模型： 若增加1000元，最终都是消费900元 , 滞后的原因： 1．心理上的原因 (惯性作用） 2．技术上的原因（如旧款电气设备会降价） 3．制度上的原因（如职员工资） B0称为短期（或冲击）乘数，B0+B1+…+Bs 一般地 是中期乘数，B0+B1+…+Bk是长期乘数， 一般而言： 分布滞后模型的估计： 难点是如何确定k值，若k偏大，则自由度会减少，从而统计推断的可靠性会降低，同时还会有多重共线性问题。 称为自回归模型，这里用 Y 的一个滞后值来代替所有 X 的滞后项。 问题： 1 ． Yt-1是随机的，LS法会失效。 2．D.W方法不再适用 短期乘数是C2，长期乘数是C2 /（1-C3） 夸克方法：考虑如下模型 证明：设 Xt, Xt-1, …, Xt-k 对 Yt 的总影响为a，则 Xt-1, … , Xt-k 对 Yt 的总影响为 a-C2，另一方面， Xt-1, Xt-2, …, Xt-k 对 Yt-1 的总影响约为 a，从而对 Yt 的总影响约为 aC3，故 ，即 （弱）平稳时间序列（Yt） 1． 2． 3． 即均值与方差为常数，而协方差仅与时间距离有关 伪回归现象：非平稳时间序列 有时候，包含时间序列数据的回归模型表面上看回归结果很好，但进一步研究就值得怀疑. 这种回归称为伪回归. 伪回归主要表现为D.W值（d）较低. 格兰杰认为： 若 , 则很可能存在伪回归现象. 如果以一个非平稳时间序列拟合另一个非平稳时间序列，就会产生伪回归现象. 单位根检验（平稳性检验） 设 Yt 为一随机时间序列，估计方程 其中△为一阶差分算子，t 为趋势变量 提出零假设 H0 : A3=0 （Yt 是非平稳的） 用τ检验可检验 H0，该方法由Diskey-Fuller提出，其临界值表根据蒙特卡洛模拟得到 协整时间序列： 如果两个非平稳的时间序列之间存在一种（长期）稳定或均衡的关系，就称时间序列是协整的，换言之，如果两个非平衡时间序列的线性组合是平稳的，则这两个时间序列是协整的，例：酒鬼和他的爱犬：酒鬼漫无目的徘徊，他的爱犬也嬉戏徘徊，但小狗从来没有离开过主人. 所以说他们的漫步是协整的。 在处理时间序列数据时，必须确保每个时间序列是平稳的，或者它是协整的，否则就可能陷入伪回归。 随机游走模型（布朗运动） 从而 ， , 即 Yt 是非平稳时间序列. 但 是平稳的. 带漂移项的随机游走模型 d为漂移参数 ， 酒鬼行走：他在 t 时刻移动了ut，如果他无限期走下 去，则他最终离酒店越来越远。 注：如果 Yt 与 Xt 是非平稳的，则较高的 R2 和较高的 t 值会使你误以为找到了两者之间的某种关系. 事实上, R2 高可能仅仅反映了两个变量具有相同趋势，它们之间可能没有任何真正关系. 4.1 多元线性回归模型及其假定 4.2 参数的最小二乘估计 拟合值和残差的重要性质 （1）残差的样本均值为0； （2）每个自变量和OLS残差之间的样本协方差为0；拟合值与残差之间的样本协方差也为0； （3）点 总位于OLS回归线上； 4.3 最小二乘估计量的性质 1、线性性 其中,C=(X’X)-1 X’ 为一仅与固定