多元回归分析法.pptVIP

CCER, Fall 2004 复习 多元回归分析 大样本性质 模型的函数形式 虚拟变量 异方差 数据问题 时间序列模型 基本模型 平稳、弱相关和高度持久 序列相关 工具变量和联立方程 受限制因变量模型 小样本和大样本性质 小样本性质：估计量在样本大小为有限的情况下表现出来的性质。 例如： 无偏估计； t、F检验 。 大样本性质：估计量在样本大小为无限的情况下表现出来的性质。 例如：大数定律； 一致估计；LM检验 一致性 “一致”指的是当n ? ∞时，估计量的分布收敛于系数的真实值 在MLR1-MLR5假设下, OLS估计值是一致的（也是无偏的） 在无偏性的证明中，我们假设了条件均值为零： E(u|x1, x2,…,xk) = 0 证明一致性，我们只要相对较弱的假设，均值为零： E(u) = 0; 不相关： Cov(xj,u) = 0, j = 1, 2, …, k 没有这个假设，OLS就是有偏和不一致的 当n ?时样本（估计）的分布 一致性的证明 遗漏变量：一致？ 正如我们前面推导遗漏变量导致的有偏估计一样，现在我们来看不一致性（或者说渐进有偏）的情况。 拉格朗日乘子统计量 当我们使用大样本并根据渐进正态分布做检验时，我们会用到t 和 F 以外的一些统计量 拉格朗日乘子（ LM）统计量是用来检验多元排除变量的假说的统计量之一 LM 要使用辅助的回归，因此也被称为nR2 统计量 拉格朗日乘子统计量（续） 假设我们的标准模型为： y = b0 + b1x1 + b2x2 + . . . bkxk + u 虚拟假设为：H0: bk-q+1 = 0, ... , bk = 0 首先，我们做符合虚拟假设的回归 拉格朗日乘子统计量（续） 在大样本的情况下， F 检验和LM 检验应该是相似的 在单个排除变量的检验中， F 和t 检验是完全相同的；但 LM 检验和 F 检验并不相同 模型的函数形式 OLS 也可以用来估计x 和y 的非线性的方程， 但对于要估计的系数来说仍然是线性的 可以取x 或 y 的对数形式，或两者的对数形式 可以用 x 的平方项 可以用 x 变量之间的交叉项 对于对数方程的解释 假设方程为 ln(y) = b0 + b1ln(x) + u b1 则是 x 对y 的弹性 若为 ln(y) = b0 + b1x + u b1 则近似的反映一单位x 的变化导致的y 的百分比变化量 若为 y = b0 + b1ln(x) + u b1 则近似的反映x百分之百的变化量导致的y的变化 含平方项的模型 假设模型为 y = b0 + b1x + b2x2 + u ，此时我们不能把 b1 解释为每单位x的变化导致的 y 的变化, 我们需要把 b2 也考虑进来, 因为 含平方项的模型（续） 假设 x 的系数为正，x2 的系数为负 那么 y 开始时随 x 增大而增大，但最终会随x 增大而减小 交叉项 对于模型： y = b0 + b1x1 + b2x2 + b3x1x2 + u 我们不能把 b1 单独解释为每单位x1的变化导致的 y 的变化，我们还需要考虑 b3, 因为 调整后的 R-Squared 前面分析了 R2 总会随着解释变量的增大而增大 但调整后的 R2把模型中解释变量的数量考虑了进来, 因此可能会反而变小 |t|1或F1 拟合程度 重要的是不要过于关注调整的R2 而忽略了理论和经济常识本身 如果经济理论清楚地预计某个变量应当被包括进来，那么就加入这个变量 不要加入影响对所关注的变量进行合理解释的变量；切记多元回归含意之一是控制了其它因素 函数形式 我们已经知道一个线性的回归可以用来拟合一些非线性的关系 可以用因变量或 自变量的对数形式或者同时用两者的对数形式 可以用x的平方 可以用x的交叉项 但是我们如何知道我们是否在模型设定中采用了正确的函数形式呢？ 函数形式（续） 首先，要靠经济理论来指导模型的设定 考虑如何对模型进行解释 究竟是变量x的绝对变化还是百分比的变化（用对数形式）对因变量y产生影响更加合理？ 因变量对x1的偏导随x1 （平方项）还是随x2 （交叉项）改变，或者是固定不变？ RESET检验 RESET 采用的办法和White检验的特殊形式类似 我们采用加入?的函数的办法来检验，而不是直接加入x的函数 因此，要估计方程 y = b0 + b1x1 + … + bkxk + d1?2 + d1?3 +error 来进行检验 H0: d1 = 0, d2 = 0 根据 F~F2,n-k-3 或者 LM~χ22 虚拟变量 虚拟变量就是取 1 或者 0 的变量 例：male (= 1 若为男性, 0 其它情况), south (= 1 若在南方, 0 其它情况), 等. 虚