预测及决策第七章.ppt

南开大学滨海学院 尹翠芳 第3章 回归分析预测法 二零一一年九月 回归分析预测法就是从各种经济现象之间的因果关系出发，通过分析与预测对象有联系的现象变动趋势，推算预测对象未来数量状态的一种预测方法。 3.1 回归分析的基本概念 3.1.1 相关分析与回归分析 1)变量间的相互关系 A.函数关系反映的是变量之间存在的严格的数量依存关系。变量之间的关系可以用 函数表示。预测学中不研究这种函数关系。 B.相关关系反映的是变量之间存在着非严格的依存关系。变量之间有一定的联系，但不能完全用函数来表达。 这种依存关系有两个显著特点： 一是变量之间确实存在数量上的客观内在关系，表现在一个变量数量上发生变化时，会影响到另一个变量数量上也相应地发生变化。 二是变量之间的数量依存关系不是确定的，具有一定的随机性。当给定自变量一个数值时，因变量可能会有若干个数值与之对应。 注 意 变量间的函数关系和相关关系不是绝对的，在一定的条件下两者可以相互转化。 A.在对确定性研究对象的观测中，往往存在测量误差，这时函数关系常常会通过相关关系表现出来； B.反之，如果能找到非确定性研究对象的全部影响因素，并将其全部列入变量间的依存关系式中，则变量间的相关关系就会转化为函数关系。 2)相关分析与回归分析 C.回归分析与相关分析的区别 在相关分析中，两个变量之间的关系是对等的，不存在自变量和因变量的划分问题；在回归分析中，变量之间的关系是不对等的。 在相关分析中，根据两个变量只能计算一个相关系数来反映变量之间相关程度的大小。而在回归分析中，对于互为因果的两个变量，有可能存在两个回归方程。 在相关分析中，所有的变量都必须是随机变量；而在回归分析中，自变量是给定的，因变量才是随机的。 D.回归分析与相关分析的联系 相关分析是回归分析的基础和前提。如果缺少对现象之间的相关关系作判断，就不能作回归分析，即使勉强做了，有时也没有实际意义。 回归分析是相关分析的深入和继续。相关分析仅仅说明现象之间是否具有关系，它们之间的关系密切程度如何。只有通过回归分析，建立了回归方程，才能从数量上反映变量之间的联系形式，才可进行相应的回归预测，使相关分析具有实际意义。 3.1.2 回归模型的种类 从不同的角度出发，可将回归模型作如下分类： 1) 根据模型自变量的多少，可分为一元回归模型和多元回归模型。 一元回归模型是根据某一因变量与某一自变量之间的相关关系建立的模型；多元回归模型是根据某一因变量与两个或两个以上自变量之间的相关关系建立的模型。 2)根据模型是否有线性特征，可分为线性回归模型和非线性回归模型。 在线性回归模型中，因变量与自变量之间的变动关系是呈直线型的。在非线性回归模型中，因变量与自变量的关系是呈曲线型的。 3)根据模型是否带虚拟变量，可分为普通回归模型和带虚拟变量回归模型。 普通回归模型的自变量都是数量变量；带虚拟变量回归模型的自变量既有数量变量又有品质变量。 4)根据回归模型是否用滞后的因变量作自变量，可分为无自回归现象的回归模型和自回归模型。 3.2 一元线性回归分析预测法 一元线性回归模型的一般形式为： 其中， 为被解释变量， 为解释变量， 和 为模型参数， 为随机误差项。 3.2.1 一元线性回归模型的基本假设 假设1：随机误差项 的数学期望值为零，即 假设2：随机误差项 的方差与 无关，为一常数，即 假设3：不同的随机误差项 与 之间相互独立，即 假设4：随机误差项 与解释变量 之间不相关，即 假设5： 服从正态分布，即 3.2.2 一元线性回归模型的参数估计 1）参数的最小二乘估计量 设有一组样本观测值 满足一元线性回归（7.1）式。我们可以找到一条直线使之尽可能好地拟合这组观测值，能近似描述变量 和 之间的相互关系，称该直线为样本回归直线。记作 其中， 为第 期 的预测值， 分别为模型参数 的估计值，如图7.1所示。 根据最小二乘法原理可知，拟合这条最佳直线的准则是使残差平方和达到最小，即使 达到最小。由于 是关于 的二次非负函数，所以它的极小值总是存在的。由微分学的极值原理可知，当 对 和 的一阶偏导数为零时， 达到最小。即 整理上式得一元线性回归的正规方程组： 解方程组得最小二乘估计量 ： 故（7.4）式可简化为： （7.5）式称为OLS估计量的离差形式。 将 代入（7.2）式，且 ，则有： （7.6）式称为样