第三章 经典单方程计量经济学模型.pptVIP

多元线性回归模型 多元线性回归模型的参数估计 多元线性回归模型的统计检验 多元线性回归模型的预测 回归模型的其他形式 回归模型的参数约束 §3.1 多元线性回归模型 一、多元线性回归模型 二、多元线性回归模型的基本假定 一、多元线性回归模型 １、总体回归函数（PRF） 　　多元线性回归模型:表现在线性回归模型中的解释变量有多个。 　　总体回归函数的一般表现形式： 二、多元线性回归模型的基本假定 假设1，解释变量是非随机的或固定的，且各X之间互不相关（无多重共线性）。 假设2，随机误差项具有零均值、同方差及不序列相关性 §3.2 多元线性回归模型的估计 估计方法：OLS、ML或者MM １、普通最小二乘估计 对于随机抽取的n组观测值 四、参数估计量的性质 在满足基本假设的情况下，其结构参数?的普通最小二乘估计、最大或然估计及矩估计仍具有： 线性性、无偏性、有效性。 五、样本容量问题 所谓“最小样本容量”，即从最小二乘原理和最大或然原理出发，欲得到参数估计量，不管其质量如何，所要求的样本容量的下限。 六、多元线性回归模型的参数估计实例 例3.2.2 在例2.5.1中，已建立了中国居民人均消费一元线性模型。这里我们再考虑建立多元线性模型。 §3.3 多元线性回归模型的统计检验 一、拟合优度检验 二、方程的显著性检验(F检验) 三、变量的显著性检验（t检验） 四、参数的置信区间 一、拟合优度检验 1、可决系数与调整的可决系数 *2、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） 二、方程的显著性检验(F检验) 方程的显著性检验，旨在对模型中被解释变量与解释变量之间的线性关系在总体上是否显著成立作出推断。 2、关于拟合优度检验与方程显著性检验关系的讨论 由 三、变量的显著性检验（t检验） 方程的总体线性关系显著?每个解释变量对被解释变量的影响都是显著的 四、参数的置信区间 参数的置信区间用来考察：在一次抽样中所估计的参数值离参数的真实值有多“近”。 在变量的显著性检验中已经知道： §3.4 多元线性回归模型的预测 一、E(Y0)的置信区间 二、Y0的置信区间 如果已经知道实际的预测值Y0，那么预测误差为： §3.5 回归模型的其他函数形式 一、模型的类型与变换 二、非线性回归实例 二、非线性回归实例 例3.5.1 建立中国城镇居民食品消费需求函数模型。 §3.6 受约束回归 在建立回归模型时，有时根据经济理论需对模型中变量的参数施加一定的约束条件。 受约束回归 一、模型参数的线性约束 二、对回归模型增加或减少解释变量 *三、参数的稳定性 *四、非线性约束 一、模型参数的线性约束 二、对回归模型增加或减少解释变量 考虑如下两个回归模型 在中国居民人均收入-消费支出二元模型例中, 给定?=0.05，查表得临界值：t0.025(19)=2.093 计算得参数的置信区间： ?0 ：(44.284, 197.116) ?1 ： (0.0937, 0.3489 ) ?2 ：(0.0951, 0.8080) 从回归计算中已得到： 如何才能缩小置信区间？ 增大样本容量n，因为在同样的样本容量下，n越大，t分布表中的临界值越小，同时，增大样本容量，还可使样本参数估计量的标准差减小； 提高模型的拟合优度，因为样本参数估计量的标准差与残差平方和呈正比，模型优度越高，残差平方和应越小。 提高样本观测值的分散度,一般情况下，样本观测值越分散，(X’X)-1的分母的|X’X|的值越大，致使区间缩小。 一、E(Y0)的置信区间 二、Y0的置信区间 对于模型 给定样本以外的解释变量的观测值X0=(1,X10,X20,…,Xk0)，可以得到被解释变量的预测值： 它可以是总体均值E(Y0)或个值Y0的预测。 但严格地说，这只是被解释变量的预测值的估计值，而不是预测值。 为了进行科学预测，还需求出预测值的置信区间，包括E(Y0)和Y0的置信区间。 易知 容易证明 于是，得到(1-?)的置信水平下E(Y0)的置信