Eviews数据统计与分析教程章 基本回归模型OLS估计-普通最小二乘法.ppt

五、 线性回归模型的检验 4.序列相关检验 （1）杜宾（D .W .—Durbin-Watson）检验法 J. Durbin, G. S. Watson于1950年提出了D .W .检验法。它是通过对残差构成的统计量来判断误差项ut 是否存在自相关。D .W .检验法用来判定一阶序列相关性的存在。 D .W .的统计量为 五、 线性回归模型的检验 4.序列相关检验 （1）杜宾（D .W .—Durbin-Watson）检验法 如果， 0 D .W . dt ，存在一阶正自相关 dt D .W . du ，不能确定是否存在自相关 du D .W . 4－du ，不存在自相关 4－du D .W . 4－dt 不能确定是否存在自相关 4－dt D .W . 4 ，存在一阶负自相关 五、 线性回归模型的检验 4.序列相关检验 （1）杜宾（D .W .—Durbin-Watson）检验法 使用D .W .检验时应注意，因变量的滞后项yt-1不能作为回归模型的解释变量，否则D .W .检验失效。另外，样本容量应足够大，一般情况下，样本数量应在15个以上。 五、 线性回归模型的检验 4.序列相关检验 （2）LM（拉格朗日乘数—Lagrange Multiplier）检验法 LM 检验原假设和备择假设分别为： H0：直到p阶滞后不存在序列相关 H1：存在p阶序列相关 LM的统计量为 LM = n·R2 ～ χ2（ p） 其中，n为样本容量，R2为辅助回归模型的拟合优度。LM统计量服从渐进的χ2（p）。在给定显著性水平的情况下，如果LM统计量小于设定在该显著性水平下的临近值，则接受原假设，即直到p阶滞后不存在序列相关。 五、 线性回归模型的检验 4.序列相关检验 序列相关性的后果： 用OLS（最小二乘估计法）得到的估计参数将不再有效； 变量的显著性检验（t检验）失去意义； 模型不再具有良好的统计性质，并且模型失去了预测功能。 五、 线性回归模型的检验 5.多重共线性 方法： （1）相关系数检验法 （2）逐步回归法 * EViews统计分析基础教程 第5章 基本回归模型的OLS估计 重点内容： 普通最小二乘法 线性回归模型的估计 线性回归模型的检验 一、普通最小二乘法（OLS） 1.最小二乘原理 设（x1，y1），（x2，y2），…，（xn，yn）是平面直角坐标系下的一组数据，且x1 x2… xn，如果这组图像接近于一条直线，我们可以确定一条直线y = a + bx ，使得这条直线能反映出该组数据的变化。 如果用不同精度多次观测一个或多个未知量，为了确定各未知量的可靠值，各观测量必须加改正数，使其各改正数的平方乘以观测值的权数的总和为最小。因而称最小二乘法。 一、普通最小二乘法（OLS） 1.最小二乘原理 设双变量的总体回归方程为 yt= B1 + B2xt +μt 样本回归函数为 yt= b1 + b2xt + et 其中，et为残差项， 5-3式为估计方程，b1 和b2分别为B1和B2的估计量， 因而 e = 实际的yt –估计的yt 一、普通最小二乘法（OLS） 1.最小二乘原理 估计总体回归函数的最优方法是选择B1和B2的估计量b1 ，b2，使得残差et尽可能达到最小。 用公式表达即为 总之，最小二乘原理就是选择样本回归函数使得y的估计值与真实值之差的平方和最小。 一、普通最小二乘法（OLS） 2.方程对象 选择工作文件窗口工具栏中的“Object”| “New Object”| “Equation”选项，在下图所示的对话框中输入方程变量。 一、普通最小二乘法（OLS） 2.方程对象 EViews5.1提供了8种估计方法： “LS”为最小二乘法； “TSLS”为两阶段最小二乘法； “GMM”为广义矩法； “ARCH”为自回归条件异方差； “BINARY”为二元选择模型，其中包括Logit模型、Probit模型和极端值模型； “ORDERED”为有序选择模型； “CENSORED”截取回归模型； “COUNT”为计数模型。 二、一元线性回归模型 1.模型设定 一元线性回归模型的形式为 yi = ?0 + ?1 xi + ui （i=1，2，…，n） 其中，y为被解释变量，也被称为因变量；x为解释变量或自变量；u是随机误差项（random error term），也被称为误差项或扰动项，它表示除了x之外影响y的因