中级计量经济学 第三章 古典回归模型(Classical Regression Model).docVIP

中级计量经济学 第三章 古典回归模型(Classical Regression Model) (Classical Regression Model) 主要内容 古典模型假定 估计方法 推断 OLS估计量的性质 大样本的渐近性质 古典回归模型 当回归模型满足古典假定时，我们称其为古典回归模型。 一元回归模型 Yi = b0 + b1Xi +ei 多元回归模型 Yi = b0 + b1X1i + b2X2i + 3. . .+ bKXKi +ei 假定1：参数线性函数 古典多元回归模型的可以表示为： 一般形式：Y = b0 + b1X1 + b2X2 + . . .+ bKXK +e 离差形式：y = b1x1 + b2x2 + . . .+ bKxK +e 矩阵形式：Y = X b+ e 在矩阵形式中，Xi是矩阵X 中的一列。 需要注意的是，在计量经济学中，“线性”指的是估计参数可以表达为样本观察值和误差项的线性函数，而并不要求回归方程中变量之间的关系为线性的。 例：CD函数 对该函数两边取对数得到：LnY=??0+??1LnX1+??2LnX2+e 即： Y*=??0+??1X1*+??2X2*+e 比较： 不同数学函数的性质 -β1(1/XY) -β1(1/X2) Y=β0+β1(1/X) 倒数 β1(1/Y) β1(1/X) Y=β0+β1lnX 右对数 β1(X) β1(Y) lnY=β0+β1X 左对数 β1 β1(Y/X) lnY=β0+β1lnX 双对数 β1(Y/X) β1 Y=β0+β1X 线性 弹性(dY/dX)(X/Y) 斜率(dY/dX) 数学方程 模型 使用不同函数形式的经验准则 经常使用对数形式的变量 必须为正值的价值指标（GDP，价格…） 数量非常大的统计指标 数量级变化大的统计指标（我国外贸、投资…) 按时间呈现接近等比变化的时间序列 经常使用原始形式(level form)的变量 按时间呈现等差变化的时间序列（时间趋势变量） 比例（一、二、三产业占GDP比例，恩格尔系数…） 假定2：矩阵X是满秩的 X是一个n ?? K 矩阵，X的秩应该等于K； 该假定也被称做识别条件。只有当识别条件得到满足时，我们才能够得到参数估计结果。 该假定要求，至少对于K个观察值而言，解释变量之间不应存在完全的线性关系。当不满足这一条件时，我们遇到奇异矩阵。 一元回归模型不存在违反该假定的情况。 在遇到此问题时，EVIEWS软件给出错误信息：“Near Singular matrix”并停止运算。 假定3：解释变量X独立于误差项 根据这一假定，对X的观察结果不含有与挠动项期望值有关的信息，用公式表达为： 假定3：解释变量X独立于误差项 条件均值为零意味着，无条件均值也等于零。 假定3还意味着 假定4：球形扰动 (Spherical Disturbances) 假定4与挠动项的方差和协方差有关，即： 利用方差分解公式可以得到： 当挠动项同时满足方差相同和无序列相关两个假定时，我们将其称做球形扰动。 假定5：解释变量是非随机的 (Nonstochastic regressors) 古典模型要求X是一个n ?? K 非随机矩阵，即不含有随机误差； 在应用工作中可以放松这一假定，只要求当X为随机变量时，其统计分布独立于误差项e。 假定6：误差服从正态分布 假定误差服从以零为均值和具有不变方差的正态分布，为分析计算提供了很大便利。这涉及到假定3和4。 最小二乘法估计 式中： b是理论模型的未知参数向量 是b的估计量 e是理论模型的随机挠动项 u是估计模型的残差项 用方程形式，残差平方和可以表示为 最小二乘法估计 （一元回归模型） 一元回归模型是只有一个自变量的回归模型：Yi=a+bXi+ ei 假定Y取决于X，这种因果关系认识通常来自于相关理论，而不是依据统计检验结果。 由于存在着误差项ei，Y与X之间不存在一一对应关系，即Yi是一个随机变量。 ei反映所有没有被包括进方程、但影响因变量的其他变量的综合作用。 最小二乘法估计 （一元回归模型） 在应用研究中很少会使用到一元回归模型。介绍该模型的主要目的是说明OLS的性质、算法及相应的统计检验方法。 然而，也存在一些特殊的应用，例如： 凯恩斯宏观消费模型Ct=a+bYt+et 恩格尔曲线FSi=a+bLnYi+ei 增长曲线LnYt=a+bTt+et 最小二乘法估计 （一元回归模型） 最小二乘法是依据使残差平方和最小的准则得到系数估计的方法。从数学上可以知道，这一问题可以通过对每个未知参数求偏导数并令其为零后求解得出。 先考虑一元回归模型Y= ??0 + ??1X + e 将其表示成离差形式有： 残差平方和为 最小二乘法估计 （一元回归模型） 利