计量经济学三剖析.ppt

假设3. 解释变量(Xi)与误差项ui不相关。（如果X是非随机的， 即其值为固定数值，该假定自动满足。） Cov(Xi, ui)=0 3.5假设检验 回归分析是要通过样本所估计的参数来代替总体的真实参数，或者说是用样本回归线代替总体回归线。 尽管从统计性质上已知，如果有足够多的重复 抽样，参数的估计值的期望（均值）就等于其总体的参数真值，但在一次抽样中，估计值不一定就等于该真值。 为了确定估计的回归函数(即样本回归函数)确实是否为真实总体回归函数的一个好的近似，就需要进一步进行统计检验。主要内容有： 假设检验 拟合优度检验 假设检验采用的逻辑推理方法是反证法 先假定原假设正确，然后根据样本信息，观察由此假设而导致的结果是否合理，从而判断是否接受原假设。 判断结果合理与否，是基于“小概率事件不易发生”这一原理的 假设检验中的小概率原理 ? 什么小概率？ 1. 在一次试验中，一个几乎不可能发生的事件发生的概率 2. 在一次试验中小概率事件一旦发生，我们就有理由拒绝原假设 3. 小概率由研究者事先确定 ?其一般程序是：? 第一步：先根据问题的题意提出原假设H0;? 第二步：进行一次试验；? 第三步：观察试验结果，看小概率事件是否发生？若发生则与小概率事件在一次试验中不可能发生原理矛盾，从而拒绝原假设H0，否则只能接受原假设H0。? 案例：对盘踞在孤岛上敌军实施海上封锁。为打击敌物资货运船队，需对敌军船队运输规律作准确推断。在某星期的空中侦察中，发现那一星期的敌船的12次偷运都是在星期二和星期四进行的。? 问敌船在偷运时间是否曾作过规定？ 　 　　 解：假设敌船在偷运时间上没有规定，故应认为每次偷运在一星期的任一天进行是等可能的。这时事件A：“12次偷运都在星期二或星期四进行”发生的概率P（A）=212/712≈0.0000003，即千万分之三。这是一个小概率事件。千万分之三意味1000万个星期中大概只有约三个星期发生这种事件。因此这个事件在一次试验（检查）中几乎不会发生的，而现在一次侦察试验中发生了，这种不正常现象的发生只能说明假设有问题，故可推断敌船在偷运时间上有规定。? 假设检验的基本思想 3.5.1 置信区间法 对区间估计的形象比喻 我们经常估计某人的成绩，可以看成一个区间估计。（某甲的成绩?为被估计的参数） P(?1 ? ?2 )=大概的准确程度（ 1-?） 如：P(?1 ? ?2 )=95%=1-5% 其中一个区间估计为（75,85） 3.6 拟合优度的检验 拟合优度检验：对样本回归直线与样本观测值之间拟合程度的检验。 度量拟合优度的指标：判定系数（可决系数）r2 (coefficient of determination) r 2 Y的观测值围绕其均值的总离差(total variation)可分解为两部分：一部分来自回归线(ESS)，另一部分则来自随机因素(RSS)。 在给定样本中，TSS不变， 如果实际观测点离样本回归线越近，则ESS在TSS中占的比重越大，因此 拟合优度：回归平方和ESS/Y的总离差TSS 判定系数达到多少为宜？ 判定系数只是说明列入模型的所有解释变量对应变量的联合的影响程度，不说明模型中单个解释变量的影响程度。 没有一个统一的明确界限值； 对时间序列数据，判定系数达到0.9以上是很平常的；但是，对截面数据而言，能够有0.5就不错了。 若建模的目的是预测应变量值，一般需考虑有较高的判定系数。 若建模的目的是结构分析，就不能只追求高的判定系数，而是要得到总体回归系数的可信任的估计量。判定系数高并不一定每个回归系数都可信任； 3.6 一元线性回归的应用：预测 因此，总体均值E(Y|X=1000)的置信区间为： (673.84-2.306?61.05, 673.84+2.306?61.05) 或 (533.05, 814.62) 同样地，对于Y在X=1000的个体值，其置信区间为： (673.84 - 2.306?131.07, 673.84 + 2.306?131.07) 或 (372.03, 975.65) 预测的指导方针 当用回归方程进行预测时，应该不超出有效样本数据的范围。比如对3-8岁的小孩年龄与身高进行回归，得到一条直线，用来预测一个孩子25岁时的身高，将会是8英尺（1英尺=30.4799999537厘米） 。 基于过去数据的回归方程对于现在的情况可能不适用。比如对汽车价格与需求量之间关系的回归方程。 不