经典线性回归模.pptVIP

第二章 经典线性回归模型 （Classical Linear Regression Model） 第一节 线性回归模型的概念 一、 双变量线性回归模型 我们的任务是， 在给定X和Y的一组观测值 (X1, Y1), (X2, Y2) , ..., (Xn, Yn) 的情况下, 如何求出 Yt = ? + ?Xt + ut 中 ?和 ? 的估计值,使得拟合的直线为最佳。 我们的目标是使拟合出来的直线在某种意义上是最佳的，直观地看，也就是要求估计直线尽可能地靠近各观测点，这意味着应使各残差尽可能地小。要做到这一点，就必须用某种方法将每个点相应的残差加在一起，使其达到最小。理想的测度是残差平方和，即 整理，得： 例子 　对于满足统计假设条件(1)--(4)的线性回归模型 Yt = ? + ?Xt + ut , ，普通最小二乘估计量 ( OLS估计量) 是最佳线性无偏估计量（BLUE）。 或 对于古典线性回归模型（CLR模型）Yt=α+β+Xt ，普通最小二乘估计量（OLS估计量）是最佳线性无偏估计量（BLUE）。 四、检验其他形式的系数约束条件 上面所介绍的检验若干个系数显著性的方法，也可以应用于检验施加于系数的其他形式的约束条件，如 检验的方法仍是分别进行有约束回归和无约束回归，求出各自的残差平方和 SR 和 S，然后用 F 统计量进行检验。 当然，单个系数的假设检验，如 H0： ?3=1.0，亦可用t检验统计量进行检验。 例2.13 Cobb-Douglas生产函数 Y=AKαLβν 试根据美国制造业1899-1922年数据检验规模效益不变的约束：α+β=1 解：（1）全回归 （2）有约束回归 将约束条件代入，要回归的模型变为： Y=AKαL1-αν 为避免回归系数的不一致问题， 两边除以L，模型变换为： Y/L=A(K/L)αν 回归，得： 由回归结果得到的约束回归和全回归的残差平方和分别为 SR=0.0716 S=0.0710 （3）检验 原假设 H0:α+β＝1 备择假设 H1:α+β≠1 本例中，g=1, K=2, n=24 用自由度（1，21）查F表，5%显著性水平下， Fc=4.32 ∵F=0.18 Fc=4.32 故接受原假设H0:α+β＝1 （4）结论 我们的数据支持规模收益不变的假设。 关于系数约束的Wald检验步骤： 1.估计方程 2.在方程窗口工具跳上点击VIEWS 3.选择系数检验 4.再从中选择WALD系数约束检验 5.以方程的形式输入约束条件，约束方程之间用逗号分隔 6.根据F下统计结论 五、回归结果的提供和分析 1. 回归结果提供的格式 在论文、专著或报告中提供回归分析结果时一般应采用简洁而通行的格式，以便于交流。通行的格式有以下两种： （1） 这里116.7、0.112和－0.739分别为常数项和两个斜率系数的估计值， 括号中提供的是 的标准误差。 （2） 括号中数字分别是原假设 、 和 成立时的t值。 由此可见，这两种格式的唯一区别就在于括号中数字的含义不同。正因为如此，人们在论文或著作中提供回归结果时，必须在适当地方说明括号中数字是标准误差还是t值。 需要说明的是，提供回归结果的标准格式中一般还包括检验一阶自相关的DW检验值，我们将在下一章“自相关”一节中介绍。 2. 回归结果的分析 结果的分析主要包括以下内容： （1）系数估计值。首先是分析系数的符号是否正确，系数值的大小是否恰当，是否符合理论预期和常识。上一段例中斜率系数一正一负，符合经济理论，数值大小也大致合理。 （2）拟合情况。例中 很高，拟合较理