12-第2章：线性回归的基本思想：双变量模型.pptVIP

* * * * 样本回归函数的随机形式/样本回归模型： 同样地，样本回归函数也有如下的随机形式： 由于方程中引入了随机项，成为计量经济模型，因此也称为样本回归模型（sample regression model）。 （2-4） 2.5 样本回归函数 残差项 注意： （2-5） 2.5 样本回归函数 2.5 样本回归函数 2.5 样本回归函数 （2-6） （2-7） 回归分析的主要目的是要通过样本回归函数（模型）SRF尽可能准确地估计总体回归函数（模型）PRF。 估计方法有多种，其种最广泛使用的是普通最小二乘法（ordinary least squares, OLS）。 为保证参数估计量具有良好的性质，通常对模型提出若干基本假设。 2.5 样本回归函数 2.6 “线性”回归的特殊含义 变量线性：线性的第一种、也是最“本质”的含义是应变量的条件均值是自变量的线性函数。 参数线性：线性的第二种解释是应变量的条件均值是参数的线性函数，而变量之间并不一定是线性的。 2.6 “线性”回归的特殊含义 我们研究“线性”回归一词是指对参数为线性的一种回归(即参数只以它的1次方出现)；对解释变量X则可以是或不是线性的 2.7 从双变量回归到多元线性回归 (2-11) (2-12) 2.8 参数估计：普通最小二乘法 在回归分析中，使用最广泛、最有效、最流行的方法：普通最小二乘法。 选择B1、B2的估计量b1、b2，使得全部观察值的残差平方和 (RSS) 最小。 参数的普通最小二乘估计（OLS） 给定一组样本观测值（Xi, Yi）（i=1,2,…n）要求样本回归函数尽可能好地拟合这组值。 普通最小二乘法（Ordinary least squares, OLS）给出的判断标准是：残差是Y的真实值与估计值之差，普通最小二乘法就是使得残差平方和（residual sum of squares,RSS)最小。 (2-13) 2.8 参数估计：普通最小二乘法 2.8 参数估计：普通最小二乘法 (2-15) (2-14) 其中，n为样本容量，这些联立方程称为 （最小二乘的）正规方程（normal equation) 2.8 参数估计：普通最小二乘法 (2-16) (2-17) 注意离差： 解方程组，可以得到OLS估计量： 2.8 参数估计：普通最小二乘法 普通最小二乘估计量的一些重要性质 1.用OLS法得出的样本回归线经过样本均值点，即： 2.残差的均值 （ ）总为0。 3.对残差与解释变量的积求和，其值为零；即这两个变量不相关。 (2-19) 这条性质也可用来检查最小二乘法计算结果。 4.对残差与 （估计的 ）的积求和，其值为0；即 为0（见习题2.25）。 (2-18) 2.9 综合应用 对数学S.A.T分数回归结果的解释 对数学S.A.T分数回归结果的解释 (2-20) 2.10 一些例子 例2.1 受教育年限与平均小时工资 (2-21) 例2.2 奥肯定律 =失业率的变化（百分数） =实际产出的增长率（百分数，用实际GDP度量） 2.5= 美国长期产出增长率。 (2-22) 例2.3 股票价格与利率 (2-24) (2-25) (2-23) 例2.3 股票价格与利率 例2.4 美国中等房价与抵押贷款利率（1980-2007） (2-26) 其中，Y----中等房价（1000美元）； X----30年固定贷款利率（%）。 例2.4 美国中等房价与抵押贷款利率（1980-2007） 例2.5 古董钟与拍卖价格 (2-27) (2-28) 课堂练习 判断正误并说明理由 随机误差项ui和残差项ei是一回事。 总体回归函数给出了对应于每一个自变量的因变量的值。 线性回归模型意味着变量是线性的。 在线性回归模型中，解释变量是原因，被解释变量是结果。 随机变量的条件均值与非条件均值是一回事。 第2章作业 2.8；2.11；2.16；2.17；2.19；2.21 * * * * * * * * 2-* 线性回归的基本思想： 双变量模型 第二章 2.1　回归的含义 回归一词最先由F.加尔顿(Francis Galton)引入 , 在一篇著名的论文中，加尔顿指出，虽然有一个趋势，父母高，儿女也高；父母矮，儿女也矮，但给定父母的身高，儿女辈的平均身高却趋向于或者“回归”到全体人