第三章基础单方程分析(人大夏明).pptVIP

第三章 基础单方程分析 基础单方程分析 简单回归分析的基本理论 EViews方程对象和回归模型的估计 违反假定的情形与估计方法的选择 其他回归分析方法 简单回归分析的基本理论 回归分析的基本概念 有关统计学基本概念的回顾 多元回归模型的基本形式 参数估计 模型检验 模型评价 回归分析的基本概念 回归分析：是关于研究一个叫做应变量的变量对另一个或多个叫做解释变量的变量的依赖关系，其用意在于通过后者（在重复抽样中）的已知或设定值，去估计和（或）预测前者的（总体）均值。 一个人为的例子（Gujarati） 假想一个国家人口总体由60户家庭组成，要研究家庭消费支出Y与可支配收入X的关系。也就是说，知道家庭收入，预测消费支出的（总体）平均水平 下表是总体数据 每个纵列给出对应于给定收入水平X的消费支出Y的分布；就是说，给出了以X的给定值为条件的Y的条件分布 条件概率：给定X的Y的概率；条件期望：对Y 的每一条件概率分布，算出它的均值，称为条件均值或条件期望。E(Y|X=Xi)表示在X取Xi时Y的期望值 总体回归线（population regression line）：条件均值落在一根有正斜率的直线上 在几何意义上，总体回归线就是（当）解释变量取给定值时应变量的条件均值或期望值的轨迹 总体回归函数PRF 从上面总体回归线看出，每一条件均值E(Y|Xi)与Xi表现出函数关系，用符号表示：E(Y|Xi)=f(Xi)，称为总体回归函数 线性总体回归函数： 回归分析中，我们的兴趣就在于估计PRF，而问题在于总体始终是未知的，我们所能做的是从样本来对总体进行估计 抽样和随机样本 实际情况下，我们未知总体，只能通过抽样，获得样本，从样本来估计总体 在我们条件分布的例子中，我们抽样得到的是对应与某个固定X只有Y值的一个样本（样本容量为1？） 对总体的一次抽样，我们能获得一个随机样本，N次抽样会获得N个样本 从N个不同的样本会得到N个不同的SRF，问题是那一条会比较接近“真实的”总体回归线呢？ 问题？理解 实际上，不同的抽样会得出不同的SRF，但那个SRF更接近真实的总体，是个始终无法知道的问题。因为总体不可知。也就是说我们不知道标准答案。 但是我们能够设计一套规则，保证对于某个样本，能够构造出一个最接近总体的SRF，尽管我们根本不知道总体究竟如何。OLS是其中的一种从样本构造SRF的方法。 普通最小二乘法OLS PRF： SRF 最小二乘准则就是得出SRF，使 尽可能小 经典线性回归模型：最小二乘法的基本假定 如果仅仅是根据样本利用OLS得到SRF我们的理论就可以到此为止。但我们的最终目的是要通过SRF对总体的情况做出推断。 而为了满足统计推断的要求，我们需要对解释变量和误差项做出要求，即基本假定。 把满足这些基本假定的模型，称为经典线性回归模型CLRM 基本假定 线性回归模型。对参数是线性的， 在重复抽样中X值是固定的，这意味着我们的回归分析是条件回归分析，就是以回归元X的给定值作为条件的 基本假定 干扰项ui的均值为0， 同方差或ui的方差相等 各干扰间无自相关 基本假定 对于多变量模型，增加：无多重共线性，也就是解释变量间没有完全的线性关系 有关统计学基本概念的回顾（附录A） 统计学可以被定义为一组由（1）收集数据（2）分析数据（3）由数据得出结论而组成的概念、原则和方法 概率（probability）为由数据得出结论提供了基础 变量（variable）是指一个可以取两个或更多个可能值（value）的特征或属性 常数（constant）是变量的反义词。总是有一个固定的值。 有关统计学基本概念的回顾 统计推断是一个过程，它能从样本数据得出与总体参数值有关的结论。它由两部分构成：估计和假设检验 样本统计量是从样本数据中计算出来的数，因此是已知的。统计量（statistic）是statistics的单数形式。最平常的样本统计量是样本均值、样本百分比和样本标准差。人们习惯用26个字母来标记常用的样本统计量 在总体中，性质类似的量为总体参数（population parameter），一般用希腊字母标记。是在原理上可以从整个总体中计算出来的数。 多元回归模型的基本形式 参数估计 模型检验 方程显著性检验—F检验 模型检验 回归系数的显著性检验—t检验 模型检验 D.W检验 模型评价 目的是不同模型间的择优 拟合优度 对数似然值 AIC准则 SC准则 拟合优度 对数似然值 AIC准则 赤池信息准则（Akaike Information Cri