计量经济学课件-2(一元线性回归模型).doc

第二章 一元线性回归模型 第一节 基本概念 回归：（高级汉语词典）发生倒退或表现倒退；常指趋于接近或退回到中间状态。 英语：regress，（美国传统词典）To have a tendency to approach or go back to a statistical mean. 经济学理论通常都是非常明确的，例如消费理论、需求函数、生产函数等，它们无一例外地表征着一种确定性关系。被解释变量（因变量）、解释变量（自变量）都非常明确，函数形式也都明确给出，另外自变量对因变量的影响（至少是方向）都可以从给出的函数形式中得出。 但是我们必须清楚，经济学理论只是对客观现实的一种近似，它反映的只是问题的最突出的特征，却将一些本来存在的其它因素（主观地）看作是无关紧要的东西而忽视。并且任何理论模型也都无法将经济现实中众多的随机性因素考虑在内，因此就有必要加入一个随机扰动项。同时，对因变量的观察结果也将展示出，影响其取值的不仅是模型中明确包含的解释变量的作用，而且还有人类行为的随机性造成的影响，以及其余的众多被忽视掉的因素的作用。 图1 消费与收入之间的关系 上图是中国1978－2006年消费与GDP（近似表示收入）之间的关系，根据凯恩斯的消费理论，应该有 但是从图中我们可以很清楚地看到，消费和GDP之间并不是严格地遵循函数，各点与回归直线之间的差异就可以认为是误差项。 为了和后续课程中使用的符号相一致，将另写为： 其中的和可以认为是系数的“真实值”，因此被称作是总体回归曲线（或者总体回归函数），也可以将其看作是某一个体消费支出的“期望值”。但是每一个个体消费支出的实现值并不一定会严格地按照式确定，他们可能因为种种原因（例如利息率、年龄、时间偏好、家庭结构等），实际中间发生的消费支出与可能会有所出入，而这种实际发生值与理论预期之间的差异一般认为是由于各种随机因素造成的，因此可以将消费表示为： 其中的就表示随机扰动。 需要注意的是，式与式中的系数和是总体模型的系数，从原则上来说，是不可能观察到的。但是人们又很希望能够对这些系数有一个了解，正是这种要求催生了统计学、计量经济学方法的出现。 假设我们利用一定的方法得出了和的估计值，为了与真实值有所区别，将其记为和，很显然它们与和之间必然有着一定的差异（和恰好与和相等只是一个零概率事件）。因此也必然与（总体中）个体消费支出的期望值存在一定的差异。造成这种差异的原因是我们只能通过有限的样本对总体参数进行估计，这样就相应地出现了样本回归曲线（或样本回归函数）的概念： 其中的是根据和的估计值和计算得出的结果，称作是的拟合值，与个体消费支出的实现值自然也就存在一定的差异了。我们可以将这一关系表示为： 上式被称为样本回归模型。 第二节 最小二乘估计（OLS） 在建立起总体和样本的概念之后，我们关注的目光将转向样本回归模型，开始寻求估计模型系数的恰当的方法。本节介绍的最小二乘法就是一种使用的最为普遍的估计方法。 一、最小二乘法的假设条件 任何一种估计方法都是建立在一定的假设条件基础之上的，也就是说需要假设我们通过观察得到的数据是按照特定的“数据生成过程”形成的。由于是初次接触计量经济学，为了使得公式的推导和解释更容易理解，我们采用一种强化假设条件的处理方法，在后面的课程中则会考虑假设条件无法得到满足时应该怎样处理。 假设1. 是确定性变量，不具有随机性； 假设2. 随机误差项的数学期望是0，方差是，并且是独立同分布的；也就是说 假设3. 随机误差项服从正态分布；（这一点有中心极限定理做保证，一般在样本容量不是很小的情况下总认为是成立的） 假设4. 随机误差项与解释变量相互独立 另外在利用OLS方法估计系数时，一般还认为以下两个假设也是能够满足的： 假设5. 当样本容量无限增加时，解释变量的样本方差趋于一个有限的常数，即 假设6. 回归模型是正确设定的。 二、最小二乘估计量 最小二乘法就是一种使得拟合值与实际值之差的平方和最小的确定模型参数的方法。也就是说，要选择适当的和，使得下式取最小值。 根据微积分原理，要想确定符合要求的和的值，需要求解方程组 也就是 由此解出和为： 这一结果通常也表示为离差的形式 三、最小二乘估计量的特性 前面求得的最小二乘估计结果具有线性特性、无偏特性和有效性。 （一）线性特性 所谓的线性特性，是指最小二乘估计结果和可以表示为的线性组合。将前面求出的结果稍加变化，就可以得到 令 则有 同样 令 则有 （二）无偏特性 最小二乘估计量的无偏性是指其数学期望等于总体回归参数的真值。也就是 类似的还有 需要注意的是，这里利用了关系式 （三）有效性 有效性是指在所有的线性无偏估计量中，最小二