多元线性回归模型-推荐.pptVIP

多元线性回归模型 简单线性回归模型的推广 原假设 H0: β1 = β3 = 0 备择假设 H1: H0不成立 我们有：n=20, g=2, K=3 用自由度（2，16）查F分布表，5%显著性水平下，FC=3.63 ∵F=1.6 FC =3.63, 故接受H0。 结论：X1和X3对Y无显著影响 3．全部斜率系数为0的检验 上一段结果的一个特例是所有斜率系数均为0的检验，即回归方程的显著性检验： H0： β1 =β2 = … = βK = 0 也就是说，所有解释变量对Y均无影响。 注意到 g=K， 则该检验的检验统计量为： 分子分母均除以 ，有 从上式不难看出，全部斜率为0的检验实际是检验R2的值是否显著异于0，如果接受原假设，则表明因变量的行为完全归因于随机变化。若拒绝原假设，则表明所选择模型对因变量的行为能够提供某种程度的解释。 对于多元线性模型 我们可用同样的方法定义决定系数： 为方便计算，我们也可以用矩阵形式表示R2 我们有：残差 ，其中， 残差平方和： 而 将上述结果代入R2的公式，得到： 这就是决定系数 R2 的矩阵形式。 二．修正决定系数： 残差平方和的一个特点是，每当模型增加一个解释变量，并用改变后的模型重新进行估计，残差平方和的值会减小。 由此可以推论，决定系数是一个与解释变量的个数有关的量： 解释变量个数增加? 减小? R2 增大 也就是说，人们总是可以通过增加模型中解释变量的方法来增大 R2 的值。因此，用 R2 来作为拟合优度的测度，不是十分令人满意的。 为此，我们定义修正决定系数 （Adjusted ）如下： 是经过自由度调整的决定系数，称为修正决定系数。 我们有：（1） （2）仅当K=0时，等号成立。即 （3）当K增大时，二者的差异也随之增大。 （4） 可能出现负值。 三．例子 下面我们给出两个简单的数值例子，以帮助理解这两节的内容. 例1 Yt = ?1 + ?2X2 t + ?3X3 t + u t 设观测数据为：Y： 3 1 8 3 5 X2：3 1 5 2 4 X3：5 4 6 4 6 试求各参数的OLS估计值，以及 。 解：我们有 例2. 设 n = 20, k = 3, R2 = 0.70 求 。 解： 下面改变n的值，看一看 的值如何变化。我们有 若n = 10，则 = 0.55 若n = 5， 则 = - 0.20 由本例可看出， 有可能为负值。这与R2不同 （ ）。 第四节 非线性关系的处理 迄今为止，我们已解决了线性模型的估计问题。但在实际问题中，变量间的关系并非总是线性关系，经济变量间的非线性关系比比皆是。如大家所熟悉的柯布-道格拉斯生产函数: 就是一例。 在这样一些非线性关系中，有些可以通过代数变换变为线性关系处理，另一些则不能。下面我们通过一些例子来讨论这个问题。 一. 线性模型的含义 线性模型的基本形式是: 其特点是可以写成每一个解释变量和一个系数相乘的形式。 线性模型的线性包含两重含义： （1）变量的线性 变量以其原型出现在模型之中，而不是以X2或Xβ之 类的函数形式出现在模型中。 （2）参数的线性 因变量Y是各参数的线性函数。 二．线性化方法 对于线性回归分析，只有第二种类型的线性才是重要的，因为变量的非线性可通过适当的重新定义来解决。例如，对于