第四章 回归技术和需求估计.pptVIP

第四章  回归技术与需求估计;;总成本、总产量和估计的回归方程;; 有很多数字可选为a和b的估计值，但只有其中的一组所规定的直线能使离差的平方和最小[即使 最小]。计算最小二乘估计值 和 的公式为：; 根据例子中基本的成本和产量数据，进行必要的运算如表（4-2）把相关的值代入式（4-1）和式（4-2），可算得 和 的估计值为： ;成本 ; 因而，总成本函数的估计方程为： 系数 的估计值为87.08， 是固定成本的估计值。 的值是对产量变化1个单位引起的总成本的变化（即边际成本）做出的估计。 美元，意思是产量变化1个单位，平均导致总成本变化12.21美元，因而 是边际成本的估计值。;小结一; 参数估计出来之后，因变量和自变量之间的关系强度可以用两种方法来度量。 第一种方法是使用可决系数，即用R2来度量整个方程是否很好地解释因变量的变化。 第二种方法是只用 以检验因变量和一个自变量之间的关系强度。 ; 检验总的解释能力 我们把任一个 和 的均值之间离差的平方[即 ]定义为的变差。总变差就等于所有因变量的值的离差平方之和。即：; 总变差可以分为两部分：已解释变差和未解释变差。两个概念可以解释如下。对每一个 的值来说，把 代入估计出来的回归方程，就可以算出 的预测值（用 表示）： 预测值 和均值 的差的平方[即 ]就定义为已解释变差（explained variation）。“已解释”的意思是 对均值 的偏离是由 的变化所引起的（即可由 的变化来解释）。 这些离差的平方和就是全部已解释变差： 全部已解释变差= ; 未解释变差（unexplained variation）是指 和 之间的差额。即在 与均值 之间的离差，有一部分已经被自变量 所解释。余下的离差， ，就是未被解释的。这些差额的平方和就是全部未解释变差： 全部未解释变差=;回归模型中变差的来源;（4-6）; R2值的范围是从0到1。如果回归方程一点也不解释Y的变差（即自变量和因变量之间没有联系），R2就为0。如果方程能解释全部变差（即全部已解释变差=总变差），R2就等于1。一般地，R2的值越大，回归方程就“越好”。 拟合（fit）这个词常用来表示回归方程的解释能力。如果R2的值大，就说方程对数据拟合得较好；如果R2的值小，就说明拟合得不好。; 根据已估计的总成本和产量的回归方程，即 就可使用表4-3中不同来源的变差数据，计算可决系数： R2的值为0.954，意思是在总成本中有95%以上的变差是有产量的变化来解释的。因而，这个方程对数据拟合得很好。;; 我们用 （t-test）来确定因变量和每个自变量之间是否存在显著的关系。这个检验要求计算被估计的回归系数的标准离差（或标准差）。 因变量和一个自变量之间的关系不是固定的，因为对不同的数据样本来说， 的估计值会是不同的。从其中一个回归方程中得出的 的标准差是对 的变动性的估计。计算这个标准的方程为： ;式中，n为观察次数。对本节的成本--产量的例子来说，n=7，因此， 的标准差为： ;;在这个例子中，; 如果自变量和因变量之间没有关系，参数b将为0。在统计学上，检验Y和X之间的关系是否很强的方法是： 检查在95%的置信区间内是否包括零值。如果不包括零，我们就说由 所度量的X和Y之间的关系在统计上显著（significant）; 如果包括零，就说 不显著（nonsignificant）,意思是两个变量之间并不存在较强的联系。;;小结二;3. 利用回归方程进行预测;4. 多元回归;小结三;§二、 需求估计;;◆2. 数据的收集 为了估计需求，必须首先取得影响需求的每个变量的数据。这些数据可以来自调查、市场实验或各种现成的来源。可用时间序列数据，也可以用横断面数据。时间序列数据是由影响需求的每个变量在特定市场上逐期的观察数据所组成。 横断面数据是建立在同一时点上许多市场的基础上的。例如，横断面数据可能包括：在