第二章 双变量线性回归模型(计量经济学-北京大学,岳昌君).ppt

相关系数r 的一些性质 可正可负 区间为[-1，+1] 是对称的 与原点和尺度无关： 若Xi*=a Xi +b, Yi*=c Yi +d，则r(Xi* ,Yi* )= r(Xi ,Yi ) 若X与Y独立，则相关系数为0；反之不然 是线性关联，不能用于描述非线性关系 未必有因果关系，只是线性关联 四、相关样式的图形表示 Y X r = +1 Y X r = -1 四、相关样式的图形表示(续1) Y X r = 接近于+1 Y X r =接近于 -1 四、相关样式的图形表示(续2) Y X r = 接近于+1 Y X r =接近于 -1 四、相关样式的图形表示(续3) Y X r = 0 一个数值例子：支出与收入 1 0.51 24.5 一个数值例子：支出与收入 1 0.51 24.5 一个数值例子 斜率项 0.51：在80到260美元的X的样本极差（最大值减最小值）范围内，X每增加1美元，平均每周消费估计增加51美分。 截距项 24.5：X样本中不含X=0的点，所以截距项没有什么意义，通常不用解释它。若要解释，需借助经济学常识。 R2= 0.9621表示约有96％的每周消费支出的变异，能由收入来说明。 咖啡的例子 斜率项 0.4795：咖啡价格每上涨1美元，每日平均咖啡消费可望减少约半杯。 截距项 2.6911：即使咖啡价格降到0，则平均每人咖啡消费可望达到每日2.6911杯。而人们不会毫无节制饮用咖啡。 R2= 0.6628表示约有66％的咖啡消费的变异，能由价格来说明。 经典正态线性回归模型CNLRM 没有正态性的假定，前面OLS估计量也满足BLUE性质，得到的估计量是点估计量，点估计只是统计推断的一个方面。 当我们用估计的?去推断真值?时，或者说由样本回归函数（SRF）来推测总体回归函数（PRF）时，需要用到已知的分布。 因为估计的?是随机扰动项u的线性函数，因此u的概率分布是什么性质至关重要。 正态独立分布：记号 正态性假定下OLS估计量的性质 最大似然估计法（ML） 取代最小二乘法的另一方法似最大似然法（ML）。 为了使用ML法，必须对随机扰动项u的概率分布作一假定。在回归分析中，最常作的假定就是u服从正态分布。 在正态性假定下，自变量参数的ML估计量和OLS估计量是完全相同的。但是，u的方差的OLS和ML估计量却有差别。然而，在大样本中，这两个估计量趋于一致。 因此,通常称ML法为大样本方法。ML法有更为广泛的应用。意思是，它可以用于对参数为非线性的回归模型。对于非线性情形，一般都不用OLS。 本课程选用OLS的理由 相当于ML来说，OLS易于应用 对多元线性回归模型，参数?的ML估计量和OLS估计量是相同的。 即使样本不很大，?2的ML估计量和OLS估计量也相差无几。 § 6 置信区间 § 6 置信区间 置信区间的图形表示 真实值存在、未知 样本估计值 置信上限 置信下限 置信区间 基本概念 置信区间(Confidence interval): 这样的一个区间如果存在的话，就称为置信区间。 置信系数(Confidence coefficient): 1-?称为置信系数。 显著性水平(Level of significance)： ?(0?1)。 置信限(Confidence limit):置信区间的端点。 置信下限(Lower Confidence limit): 置信上限(upper Confidence limit): 例子和注释 例如：? =0.05或5%，就可读为“式子中的随机区间包含真实?2的概率为0.95或95%” 注： 不可以说?2落入给定界限的概率是1- ? 是随机区间 从长期看，平均地说，这些区间将有100%( 1- ?)）次包含着参数的真值 只要 尚不知道，区间 就是随机的（ 为估计量时），一旦有了一个特定的样本并获得了的一个特定的数值（ 为估计值时），区间不再是随机的，而是固定的了。 二、回归系数?1和?2的置信区间 回归系数?1和?2的置信区间(续) 注：t = 估计量-参数 估计量的标准误的估计值 Estimated standard error 即： 是估计量 的标准差 的估计值 回归系数?1和?2的置信区间(续) 回归系数?1和?2的置信区间(续) 置信区间的宽度与估计量的标准误成正比，因此，估计量的标准误常被喻为估计量的精度(precision) f(t) t 0 1- ? ?/2 ?/2 消费－收入的例子 对置信区间的解释： 消费－收入的例子（续） 三、σ2的置信区间 σ2的置信区间(续) 1- ? ?/2 ?/2 §7 假设检验：问