一元线性回归模型剖析.ppt

一元线性回归模型 第2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、变量间的关系及回归分析的基本概念 二、总体回归函数（PRF） 三、随机绕动项 四、样本回归函数（SRF） 一、变量间的关系及回归分析的基本概念 1. 变量间的关系 （1）确定性的函数关系：经济变量X取一定数值时，经济变量Y有确定的值与之对应。 高档消费品的销售量与城镇居民收入之间的关系 粮食产量与施肥量之间的关系 储蓄额与居民收入之间的关系 广告支出与商品销售额 工业增加值与能源消耗量 数学成绩与统计学成绩 ◎以上变量间关系的一个共同特征是它们之间有密切关系，但它们是一种非确定性关系 3. 相关分析(correlation analysis) 变量之间线性相关的程度，常用相关系数去度量。 变量X和Y的总体相关系数为： 样本相关系数： 4. 回归分析(regression analysis) “回归”的由来：“回归”一词由英国生物学家高尔顿在遗传学研究中首先提出。高尔顿和他的学生K.皮尔逊在研究父母身高与其子女身高的遗传问题时，观察了1078对夫妇，以每对夫妇的平均身高作为x，而取他们的一个成年儿子的身高作为y，将结果在平面直角坐标系上绘成散点图，发现趋势近乎一条直线。计算出的回归直线方程为 相对于一定身高的父母，子女的平均身高有朝向人类平均身高移动或回归的趋势。这就是回归的古典意义。正是为了描述这种有趣的现象，高尔顿引进了“回归”这个名词来描述父辈身高x与子代身高y的关系。 回归分析构成计量经济学的方法论基础，其主要内容包括： （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。 4、回归与相关 　　回归分析和相关分析都是研究变量间相关关系的方法。 两者的主要差别： ◇回归分析中需要区别自变量和因变量；相关分析中则不需要区分 ◇相关分析中所涉及的变量y与x全是随机变量。而回归分析中，因变量y是随机变量，自变量x 可以是随机变量，也可以是非随机的确定变量 ◇相关分析的研究主要是为刻画两类变量间线性相关的密切程度。而回归分析不仅可以揭示变量X对变量y的影响大小，还可以由回归方程进行预测和控制 二、总体回归函数 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出现的对应值的平均值。 例2.1：一个假想的社区有100户家庭组成，要研究该社区每月家庭消费支出Y与每月家庭可支配收入X的关系。 即如果知道了家庭的月收入，能否预测该社区家庭的平均月消费支出水平。 为达到此目的，将该100户家庭划分为组内收入差不多的10组，以分析每一收入组的家庭消费支出。 由于不确定因素的影响，对同一收入水平X，不同家庭的消费支出不完全相同； 但由于调查的完备性，给定收入水平X的消费支出Y的分布是确定的，即在X取某一值时Y的条件分布（Conditional distribution）是已知的，例如：P(Y=561|X=800）=1/4。 因此，给定收入X的值Xi，可得消费支出Y的条件均值（conditional mean）或条件期望（conditional expectation）：E(Y|Xi)。 该例中：E(Y | X=800)=561 描出散点图发现：随着收入的增加，消费“平均地说”也在增加，且Y的条件均值均落在一根正斜率的直线上。这条直线称为总体回归线。 在给定解释变量Xi条件下被解释变量Yi的期望轨迹称为总体回归线（population regression line），或更一般地称为总体回归曲线（population regression curve）。 “线性”一词的含义 （1）对变量为线性：Y的条件期望值是X的线性函数，如 三、随机扰动项 随着家庭收入的增加，家庭消费支出平均地说也增加，但对某一个家庭而言，两者的关系如何？由于受随机因素的影响，对各个家庭而言Yi变化趋势并不相同，消费支出围绕其条件期望上下波动 此时，Yi可以表示如下： 例2.1中，给定收入水平Xi ,个别家庭的支出可表示为两部分之和：（1）该收入水平下所有家庭的平均消费支出E(Y|Xi)，称为系统性或确定性部分；（2）其他随机或非确定性部分?i。 随机误差项的意义 干扰项是从模型中省略下来的而又集体影响着Y的全部变量的替代物，代表除解释变量X以外其他所有没有列出的变量对因变量的影响。理论的含糊性（影响Y的其他变