views6.0线性回归.pptVIP

2 方程统计量 （1） R2 统计量 R2 统计量衡量在样本内预测因变量值的回归是否成功。R2 是自变量所解释的因变量的方差。如果回归完全符合，统计值会等于1。如果结果不比因变量的均值好，统计值会等于0。R2 可能会由于一些原因成为负值。例如，回归没有截距或常数，或回归包含系数约束，或估计方法采用二阶段最小二乘法或ARCH方法。 EViews计算R2 的公式为： ， 其中， 是残差， 是因变量的均值。 * （2） R2 调整 使用R2 作为衡量工具存在的一个问题，即在增加新的自变量时R2 不会减少。在极端的情况下，如果把样本观测值都作为自变量，总能得到R2 为1。 R2 调整后的记为 ，消除R2 中对模型没有解释力的新增变量。计算方法如下： 从不会大于R2 ，随着增加变量会减小，而且对于很不适合的模型还可能是负值。 * （3） 回归标准差 (S.E. of regression) 回归标准差是在残差的方差的估计值基础之上的一个总结。计算方法如下： （4）残差平方和 残差平方和可以用于很多统计计算中，为了方便，现在将它单独列出： * （5） 对数似然函数值 EViews可以作出根据系数的估计值得到的对数似然函数值（假设误差为正态分布）。似然比检验可通过观察方程严格形式和不严格形式的对数似然值之间的差异来进行。 对数似然计算如下： * （6） Durbin-Watson 统计量 D-W 统计量衡量残差的序列相关性，计算方法如下： 作为一个规则，如果DW值小于2，证明存在正序列相关。在例1的结果中，DW值很小，表明残差中存在序列相关。关于Durbin-Watson统计量和残差序列相关更详细的内容参见“序列相关理论”。 对于序列相关还有更好的检验方法。在 “序列相关的检验”中，我们讨论Q统计量和 LM检验，这些都是比DW统计量更为一般的序列相关检验方法。 * （7）. 因变量均值和标准差（S.D） y 的均值和标准差由下面标准公式算出： （8）. AIC准则(Akaike Information Criterion) 计算公式如下： 其中l 是对数似然值 我们进行模型选择时，AIC值越小越好。例如，可以通过选择最小AIC值来确定一个滞后分布的长度。 * （9）. Schwarz准则 Schwarz准则是AIC准则的替代方法: （10）. F统计量和边际显著性水平 F统计量检验回归中所有的系数是否为零(除了常数或截距)。对于普通最小二乘模型，F统计量由下式计算： 在原假设为误差正态分布下，统计量服从 F(k – 1 , T – k) 分布。 * F统计量下的P值，即Prob(F-statistic), 是F检验的边际显著性水平。如果P值小于所检验的边际显著水平，比如说0.05，则拒绝所有系数都为零的原假设。注意F检验是一个联合检验，即使所有的t统计量都是不显著的，F统计量也可能是高度显著的。 * (五） 虚拟变量的应用 工资差别 为了解工作妇女是否受到了歧视，可以用美国统计局的“当前人口调查”中的截面数据研究男女工资有没有差别。这项多元回归分析研究所用到的变量有： W — 雇员的工资（美元/小时） 1；若雇员为妇女 SEX = 0；其他 ED — 受教育的年数 AGE — 雇员的年龄 1；若雇员不是西班牙裔也不是白人 NONWH = 0；其他 1；若雇员是西班牙裔 HISP = 0；其他 * （六） 估计中存在的问题 如果自变量具有高度共线性，EViews 在计算回归估计时会遇到困难。在这种情况下，EViews会产生一个显示错误信息对话框 “奇异矩阵”。出现这个错