第4章经济计量学精要.pptVIP

第4章 多元回归：估计与假设检验 4.1 三变量线性回归模型 三变量PRF的非随机形式 ： 随机形式： 偏回归系数的含义： B2度量了在X3保持不变的情况下，X2单位变动引起Y均值E(Y)的变化量。B3的含义类似。 4.2 多元线性回归模型的若干假定 双变量模型的假定，多元线性回归模型都有，只是增加了一个假定。 解释变量之间无共线性（no collinearity）或无多重共线性（no multicollinearity）假定。 共线性(collinear)，即，一个解释变量可用其它解释变量线性表出。 如果存在完全共线性，则不能估计出独立的偏回归系数。 实践中很少有完全共线性情况，但高度共线性（high perfect collinearity）或近似完全共性线（near perfect collinearity） 的情况很常见。 4.3 多元回归参数的估计 普通最小二乘估计量 OLS估计量的方差与标准误 多元回归OLS估计量的性质 在古典线性回归模型的假定下，多元回归OLS估计量是最优线性无偏估计量。 4.4 估计多元回归的拟合优度：多元判定系数 与双变量模型相同 度量了X2和X3对因变量Y变动的联合解释比例。 4.5 古董钟拍卖价格一例 德国Tribeng钟表公司每年举行钟表拍卖会。Y=拍卖价格，X2=钟表年代，X3=竞标人数。 报告估计结果 拍卖价格与钟表年代和竞标人数正相关。 斜率系数12.60表示，在其他变量保持不变的条件下，如果钟表年代每增加一年，则钟表价格平均上升12.60马克。 负的截距项没有实际意义。 值相当高，约为0.88，表示两个变量解释了拍卖价格88%的变异。 4.6 多元回归的假设检验 如何判断回归系数是显著的还是不显著的？ 同双变量模型一样，在古典假定下，OLS估计量b2和b3服从正态分布。 如果用 的无偏估计量 代替 ，则 4.7 对偏回归系数进行假设检验 显著性检验法 H0：B2=0， H1：B2≠0 零假设：钟表年代对拍卖价格没有显著影响。备择假设：钟表年代对拍卖价格有显著影响。 根据回归结果已知 t=13.5508 4.8 检验联合假设： 或 多元回归的总体显著性检验 零假设：两个解释变量联合对因变量Y没有显著影响。 等价于 即两个解释变量对因变量Y的解释比例为零。 注意，一个或多个解释变量各自对因变量没有显著影响，但联合可能对因变量有显著影响。 方差分析技术（analysis of variance ANOVA） 对TSS各个部分进行研究成为方差分析。 F值越大，越倾向拒绝零假设。 古董钟拍卖价格一例 零假设：钟表年代和竞标人数联合对钟表价格没有显著影响。F=111.3082，P=0.0000，因此拒绝零假设。 4.9 从多元回归模型到双变量模型：设定误差 设定偏差（model specification bias)或设定误差（specification error） 多元回归方程与两个双变量方程的斜率系数不同。 多元回高中R2与两个双变量回归中r2明显不同。 ⑴中钟表年代对拍卖价格的影响影响是净影响，而⑵中钟表年代的系数反应了总影响—钟表年代的直接影响和竞标人数的间接影响。 在回归模型⑴中遗漏竞标人数变量，会导致模型设定偏差（model specification bias)或设定误差（specification error） 4.10 比较两个 值：校正的判定系数 判定系数 随着模型解释变量的个数的增多而增大，似乎“要使解释因变量变异的比例更大，只要不断增加解释变量即可” 实践中并不能完全这样做，因为： 在 的计算公式中，没有考虑相同因变量，不同个数解释变量的模型间自由度的差异，因此，这些模型间的 不完全具有可比性。 调整的判定系数 如果k＞1，则 。 ， 可能为负。 可以对相同因变量，不同个数解释变量的两个模型进行比较。 4.11 什么时候增加新的解释变量 如果增加新的解释变量，能使 增加，就可以增加。 如果增加变量系数的 大于1， 就会增加。 4.12 受限最小二乘 检验对模型施加限制条件的有效性 零假设H0：限制条件有效 如果估计的F值大于所选显著性水平下的临界F值，则拒绝零假设。 古董钟拍卖价格一例