第七讲 多元回归联合检验.pptVIP

多元线性回归分析;总体回归函数：;多元线性回归模型的基本经典假定 ; 假设3 随机误差项彼此之间不相关 ;满足经典假设的u的方差协方差矩阵;如果不满足假设二，我们称误差项存在异方差：Var(u)主对角线上的元素不相等 。;如果不满足假设三，我们称误差项存在自相关：非主对角线上的元素不为0 。;假设4 所有的解释变量Xi为确定性变量，与随机误差项彼此之间不相关。;假设5 解释变量Xi之间不存在精确的线形关系，即解释变量的样本观测值矩阵X是满秩矩阵，应满足关系式： rank(X)=k+1n 可以理解为各X之间互不相关（无多重共线性），或者说，其中一个解释变量不能写成其他解释变量的线性组合。;1 1 0 0 4 0 1 0 2 ?2 0 0 0 ?2 3 0 0 0 0 4;可以证明：若X是满秩的，则X’和X’X均是满秩的，即X’X非奇异，因此可求逆。若X不是满秩的，则X’和X’X均不是满秩的。此时由于│X’X│=0，所以其逆矩阵不存在，OLS将失效。 ;假设6 随机误差项服从正态分布，Y也服从正态分布。;总体回归模型n个随机方程的矩阵表达式为 ;在满足上述经典假设下，系数的决定为：;回归标准误差;刨娠劳趣隆饯读帝垒膛凯灵城葱侵躲更屹犊旨旅揽舒东关笑躬闷扼威精麦第七讲 多元回归联合检验第七讲 多元回归联合检验;多元回归的拟合优度;可以推导： ; 可决系数R2统计量 ;由于每次向回归方程中增加解释变量，R2必然只增不减。为此，可以通过调整自由度对解释变量过多进行“惩罚”，因此，可以定义 “调整的拟合优度” ;即对于每一个系数，满足：; 最小二乘估计量的性质;;多元回归中的假设检验和置信区间;1。单个系数的假设检验。 需要检测某个回归系数是否显著。 ;单个变量的假设检验（大样本假设下）;单个变量的置信区间（大样本假设下）;reg testscr str el_pct, robust;单个变量的假设检验（小样本假设下）; ?i的置信区间是 ;reg testscr str el_pct;我们可以看出，大样本假设和小样本假设下同一个回归的系数完全一样，但标准误和t值、置信区间完全不同。; 多元回归分析使学区负责人相信，基于目前的证据，缩小学区内的班级规模有利于提高测试成绩。但她现在又提出了有点细微差别的问题。即如果她雇用了更多的教师，则她要么通过缩减预算内的其他开支(不再购买新的计算机，降低维修费等等)，要么要求增加预算(显然不是纳税人喜欢的)来支付这些教师的工资。因此她问到，如果保持每个学生所分摊的预算(和英语学习者百分率)不变那么降低学生/教师比对测试成绩的效应是多少?;这个问题可以通过估计测试成绩对学生/教师比，每个学生所分摊的预算以及英语学习者百分率的回归来解决。 即解释变量包含三个：学生/教师比，每个学生所分摊的预算、英语学习者百分率。 ;方程中加入每个学生的花费;原因的一种解释是，在这些加利福尼亚学区的数据中，学校管理者有效地分配了预算。 假设，与事实相反，上式中STR的系数取大的负值。如果是这样的话，学区可以通过减少其他用途(教材、技术、运动等等)的资金而将其用于雇用更多的教师以便在费用固定情况下通过降低班级规模来提高测试成绩。 但是，上式中STR的系数较小且统计上不显著，表明资金的这种转移对测试成绩几乎没什么影响。换言之，学区内的资金分配已经很有效了。;纳税人的假设是个联合假设，因此我们需要用新的工具F统计量来检验它。;联合检验;为什么不能使用t检验; 假设t统计量相互独立： 拒绝原假设概率公式为： 1-0.952=9.75% 这种“一次一个”的方法给了你太多的机会，也就是当你用第一个t统计量无法拒绝时，你还可以尝试使用第二个t统计量，所以过多地拒绝了原假设。 若回归变量相关，则情况要更复杂。;记为;F 分布;异方差假设下的F检验（大样本）;1。假设t统计量不相关 F=(1/2)(t12+t22) 即，F统计量是t统计量平方的均值。 原假设下t1和t2为独立的标准正态随机变量，所以原假设F服从F2,∞分布。如果?1或者?2显著（或者都显著），t12或者t22很大，检验结果拒绝原假设。; 在经济计量学中，具有大分母自由度的F分布是很普遍的。当n2变为无限时，F的分母完全收敛为1，所以我们可以将分布Fn1,n2变为Fn1,∞;2。假设t统计量相关;二。q个约束的F统计量。;利用F统计量计算p值;“总”回归的F统计量;应用实例一： 1。回归方程必须要加robust选项。 2。检验命令用test (Wald检验);应用实例二：;同方差适用F统计量;检验思路：（所有参数联合检