计量经济与学 多元线性回归 .ppt

* 拟合优度（续） 我们怎样衡量我们的样本回归线拟合样本数据有多好呢？ 可以计算总平方和（SST）中被模型解释的部分，称此为回归R2 R2 = SSE/SST = 1 – SSR/SST * 更多关于R2 当回归中加入另外的解释变量时，R2通常会上升。 如果OLS使此解释变量取任何非零系数，那么加入此变量之后，SSR降低了。 实际操作中，被估计系数精确取零是极其罕见的，所以，当加入一个新解释变量后，一般来说，SSR会降低。 * 调整过的R2(The Adjusted R-squared) 因此， R2增加并不意味着加入新的变量一定会提高模型拟合度。 调整过的R2是R2一个修正版本，当加入新的解释变量，调整过的R2不一定增加。 * 调整过的R2 调整过的R2是1减去OLS残差的样本方差（修正过自由度之后）与y的样本方差之比。 调整过的R2的三个有用性质： 因为(n-1)/(n-k-1)1 ，所以调整过的R2总比R2小。 加入一个解释变量有两个相反的效果。（1）SSR降低导致调整过的R2增加。（2） (n-1)/(n-k-1) 增加导致调整过的R2降低。 调整过的R2可能是负的，发生在以下情况：所有解释变量使残差平方和下降的太少，不足以抵消因子(n-1)/(n-k-1)。 R2只有在过原点回归中才可能为负。 * 比较R2和Adjusted R2 R2和调整过的R2告诉我们，解释变量是否很好地预测了，或“解释”了，手头数据中被解释变量的值。 R2和调整过的R2并没有告诉我们 被包含变量是否统计显著 解释变量是否是被解释变量变动的真正原因 是否有遗漏变量偏误，或 是否选取了最合适的解释变量组合 * R2和Adjusted R2 在决定某个变量是否应该被加入模型时，R2和Adjusted R2并非理想的工具。 决定一个解释变量是否属于模型的因素应该是，该解释变量在总体中对y的局部效应是否为零。 * 拟合优度和解释变量选择的进一步探讨 Adjusted R-Squared * 我们定义总体R2为：y的变异在总体中能被解释变量解释的比例，为 调整过的R2仍不是总体R2的一个无偏估计量，因为两个无偏估计量的比例不是一个无偏估计量。 拟合优度和解释变量选择的进一步探讨 * 调整过的R2最根本的吸引力，在于它对向模型增加自变量的惩罚。 如果我们向回归模型加入一个新的解释变量，当且仅当新变量的t统计量的绝对值大于1时，调整过的R2增加。 拟合优度和解释变量选择的进一步探讨 * 利用调整的R2在两个非嵌套模型中进行选择 如果两个模型中任何一个都不是另一个的特例，则两个模型是非嵌套的。 F统计量只允许我们检验嵌套的模型，因为有限制的模型是无限制模型的特例。 我们需要一些在无嵌套模型间进行选择的指导。 * 当变量有不同函数形式时，通过比较调整过的R2 ，在不同的解释变量的非嵌套组合中进行选择，是颇有价值的。 例如，一个模型是y= b0 + b1x1 + b2log(x2 ) ， 另一个是y= b0 + b1x1 +b2 x2+b3 x22 。 如果第一个模型调整过的R平方为0.3，而第二个为0.6，我们倾向于选择第二个模型 利用调整的R2在两个非嵌套模型中进行选择 * 调整过的R2的限制：我们不能利用它在关于因变量函数形式不同的模型间进行选择 利用调整的R2在两个非嵌套模型中进行选择 * 预测分析：估计量 * 预测分析：标准差 * 预测分析：置信区间 * 预测分析：一个特殊y的置信区间 * 预测分析： y0的预测区间 * 预测分析： y0的预测区间 * 有时，检验个体观测值来看它的因变量高于还是低于预测值是有用的。 也就是，检验个体观测值的残差。 残差分析 * 残差分析 例：将房价对一些可观测特点回归，得预测值，算出残差。残差为负则说明根据可观测因素房价偏低。负的程度最大值的大小说明我们还没有控制因素的重要程度。可为改值建立预测区间。 * y = b0 + b1x1 + b2x2 + . . . bkxk + u 5. Dummy Variables * 虚拟变量 虚拟变量是一个取值为1或0的变量。 例: male (= 1 if are male, 0 otherwise), south (= 1 if in the south, 0 otherwise), etc. 虚变量也称二值变量。 * 虚拟变量 考虑只有一个解释变量(x)和一个虚拟变量(d)的简单模型。 y = b0 + d0d + b1x + u 该模型可以看做是一个截距的变化。This can be interpreted as an intercept shift 若d = 0, 则 y = b0