3.3多元线性回归模型及统计检验.pptVIP

§3.3 多元线性回归模型的统计检验 (Statistical Test of Multiple Linear Regression) 一、拟合优度检验 二、方程的显著性检验(F检验) 三、变量的显著性检验（t检验） 四、参数的置信区间 一、拟合优度检验 (Testing the Simulation Level) 1、可决系数与调整的可决系数 二、方程的显著性检验(F检验) (Testing the Overall Significance) 方程的显著性检验，旨在对模型中被解释变量与解释变量之间的线性关系在总体上是否显著成立作出推断。 由于Yi服从正态分布，根据数理统计学中的定义Yi的一组样本平方和服从χ2分布，所以有： ^ ― ESS=∑(Yi-Y) ～χ2(k) ^ RSS=∑(Yi-Yi) ～χ2(n-k-1) 即回归平方和、残差平方和分别服从自由度为k和n-k-1的χ2分布 进一步根据数理统计学中的知识，在原假设H0成立的条件下，统计量 服从自由度为(k , n-k-1)的F分布。 2、关于拟合优度检验与方程显著性检验关系的讨论 由 有许多著名的模型，R2小于0.5，支持了重要的结论 例如：库茨涅兹假设—收入差距与经济增长水平之间的倒“U”型规律。 （1）内容：随着经济的发展水平的提高，居民收入差距先扩大，然后达到顶点，再缩小，即居民的收入差距与经济发展水平是倒“U”型。 （2）该规律可以从经济理论上得到很好的解释。 （3）该假设之所以被接受，是基于经验的证明。建立一个计量经济学模型，被解释变量是收入差距（用基尼系数表示），解释变量是经济发展水平（用GDP表示，包含GDP的一次项、二次项，因为倒“U”型假设是一条抛物线），从而构造一个二元模型，看看该二元模型是否显著性成立，及GDP的二次项系数是否为负—因为抛物线是开口向下的。 后来做了很多检验，如用美国的历史数据、德国历史数据以及 64个国家（从经济发展水平低到经济发展水平高）同一年的数据，均符合倒“U”型规律，但方程的拟合优度大体上都在0.4左右。对我国，用中国各个省份的数据研究各省的居民收入差距，也验证了该规律—即经济发展水平比较低的地区（如西部地区），居民收入差距小；经济发展水平比较高的地区（如广 东、上海、北京），居民收入差距比较小；而经济发展水平处 于中间的省份（如湖北、湖南、吉林、辽宁等），居民收入差 距大，但模型的拟合优度为0.3、0.4、0.5，比较小，但模型成 立，因为方程的显著性检验F检验在相当高的水平下成立。 因此，不要片面追求拟合优度，关键是看模型的经济意义本身。 三、变量的显著性检验（t检验） (Testing the Individual Significance) 对于多元线性回归模型,方程的总体线性关系显著?每个解释变量对被解释变量的影响都是显著的。 因此，必须对每个解释变量进行显著性检验，以决定是否作为解释变量被保留在模型中。 这一检验是由对变量的 t 检验完成的。 四、参数的置信区间 参数的置信区间用来考察：在一次抽样中所估计的参数值离参数的真实值有多“近”。 在变量的显著性检验中已经知道： 提高样本观测值的分散度,一般情况下，样本观测值越分散，(X’X)-1的分母的|X’X|的值越大，致使区间缩小。 如何才能缩小置信区间？ 增大样本容量n，因为在同样的样本容量下，n越大，t分布表中的临界值越小，同时，增大样本容量，还可使样本参数估计量的标准差减小； 提高模型的拟合优度，因为样本参数估计量的标准差与残差平方和呈正比，模型优度越高，残差平方和应越小。 * 则 总离差平方和的分解 由于: =0 所以有： 注意：一个有趣的现象 - i i1 ik 可决系数 该统计量越接近于1，模型的拟合优度越高。 问题：在应用过程中发现，如果在模型中增加一个解释变量， R2往往增大 这就给人一个错觉：要使得模型拟合得好，只要增加解释变量即可。—— 但是，现实情况往往是，由增加解释变量个数引起的R2的增大与拟合好坏无关，R2需调整。 调整的可决系数（adjusted coefficient of determination） 在样本容量一定的情况下，增加解释变量必定使得自由度减少，所以调整的思路