3.1 经典线性模型最小二乘估计及扩展.pptVIP

§3.1 经典线性计量经济学模型最小二乘估计的扩展（教材§3.2） 一、经典单方程线性计量经济学模型可行的广义最小二乘估计 二、经典单方程线性计量经济学模型的分部回归估计 三、经典单方程线性计量经济学模型的偏回归估计 一、经典单方程线性计量经济学模型可行的广义最小二乘估计（FGLS, Feasible Generalized Least Squares, or EGLS, Estimated GLS） ⒈广义最小二乘估计 ⒉ 可行广义最小二乘估计 ⒊随机项存在一阶自相关的模型 关于该矩阵的形式有许多研究。 ⒋纠正一个错误 二、经典单方程线性计量经济学模型的分部回归估计(Partitioned Regression) ⒈ 分部回归估计 ⒉说明 如果两组解释变量是正交的，那么相应的参数估计量可以分别在仅以一部分变量为解释变量的情况下加以估计。再进一步，如果模型的所有解释变量都是互相正交的，那么可以将多元线性模型化成若干个一元模型加以分别估计。这就是所谓的“分部回归估计”。 解释变量是完全正交的情况在实际中是很难发现的，或者说是不可能出现的。所以，“分部回归估计”并没有实际意义。 当发现解释变量出现多重共线性时，一个有效的处理方法是从模型中去掉产生多重共线性的部分变量。由于模型原有的变量之间并不是正交的，所以当剔除部分变量后，所保留变量的参数估计值将发生变化，它所反映的不再仅仅是该变量与被解释变量之间的关系。 在建立模型时，如果忽略了显著的解释变量，而忽略的变量与入选的解释变量之间并不是正交的，那么变量的参数估计值将不反映该变量与被解释变量之间的关系。 三、经典单方程线性计量经济学模型的偏回归估计(Partial Regression) ⒈一个例子 以我国国内生产总值(GDP)为被解释变量，居民消费总额(COM)、政府消费额(GOV)、投资总额(INV)为解释变量建立线性模型，用以分析各项最终需求与用生产法计算的国内生产总值之间的统计关系。 让GDP对常数项和INV回归，得到如下回归方程： 让COM对常数项和INV回归，得到如下回归方程： 让GOV对常数项和INV回归，得到如下回归方程： 让E对E1和E2回归，得到如下回归方程： ⒉偏回归估计方法的推导 自学教科书 ⒊偏回归估计方法的意义 理论意义 计算技术方面的意义 * 它的逆矩阵存在吗？ 解释变量与随机误差项不相关 仅以X1作为解释变量时的参数估计量。 仅以X2作为解释变量时的参数估计量。 E1与COM的回归系数完全相同，E2与GOV的回归系数完全相同。 用上述方法得到COM和GOV的回归系数的方法称为偏回归估计方法。 *