第三章第3章3.1章节.pptVIP

假定被解释变量Y是解释变量X1， X2，…， XK和随机误差项μ的线性函数，它们可以表示为： 即为多元线性回归模型（1），可简记为： 描述被解释变量Y的期望值与解释变量X1， X2，…， XK的线性关系方程 称为多元总体线性回归方程，简称总体回归方程（2）。 由于总体参数βj未知，往往用样本参数值 来估计总体参数，当用样本参数来估计总体参数时，就产生了估计的样本回归方程（多元样本线性回归方程）（3）。 称 为Yi 的样本回归值或样本拟合值、样本估计值。 注意：分清4个式子的关系 真实的多元线性回归模型： 估计的多元线性回归模型： 真实的多元线性回归直线： 估计的多元线性回归直线： 设（X1i，X2i ，….Xki，Yi）（i=1,2,…n）是总体（ X1， X2，…， XK，Y）的n次独立观测值，将其代入多元线性回归模型（1）。即为样本数据结构形式的多元线性回归模型（4）， （i=1,2…n）它是由n个方程，k+1个未知参数组成的一个线性方程组。 方程组： Y1=β0+ β 1X11+ β2X21+…+ βkXk1+μ1 Y2= β0+ β1X12+ β2X22+…+ βkXk2+ μ2 … … … …. …. …. …. …. .. Yn= β0+ β1 X 1n+ β2X2n+…+ βkXkn+μn Y为n×1阶列向量；X为n×（k+1)阶矩阵，β为（k+1) ×1阶列向量；μ为n×1阶列向量。 假设1：解释变量X是非随机的或固定的，且各X之间互不相关（无多重共线性）。 是设计矩阵且X的秩Rank(X)=k+1n，即X满秩。 假设2：随机误差项u具有零均值、同方差及不序列相关性。 假设3：解释变量与随机项不相关。 Cov(Xji,ui)=E(Xˊu)=0， (j=1，2，…，k， i=1，2，…，n) 假设4：随机误差项服从正态分布： ui~ N（0，σ2） * * 第三章 多元线性回归模型 第一节 多元线性回归模型概述 第二节 多元线性回归模型的参数估计 第三节 多元线性回归模型的统计检验 第四节 多元线性回归模型的应用 第五节 非线性回归模型的线性化 第六节 典型例题解析 目的要求 : 1.掌握多元线性回归模型的概念 2. 掌握多元线性回归模型的最小二乘估计 3.掌握多元线性回归模型的OLS估计量的性质 4.掌握多元线性回归模型的统计检验 5.会用SPSS和EXCEL分析简单的多元线性经济问题 （1）随机扰动项 （2）上述简单回归分析能够揭示教育对生育率在其他条件不变下的影响吗？请解释。 它们可能与教育水平相关吗？ 包含什么样的因素？ 引例 令kids表示一名妇女生育孩子的数目，educ表示该妇女接受过教育的年数。生育率对教育年数的简单回归模型为 第一节 多元线性回归模型概述 自变量 因变量 偏回归系数 随机扰动项 回归常数 一、 基本概念 第一节 多元线性回归模型概述 第一节 多元线性回归模型概述 (1) (4) (3) (2) 二、 多元线性回归模型的矩阵表示 为了多元回归分析和计算更方便、更简洁，下面引入回归分析的矩阵表示形式： 回归设计矩阵 资料矩阵 向量形式为：Y=Xβ +μ 向量形式为：Y=Xβ +μ 一元线性回归分析的矩阵表示形式： 向量形式为：Y=Xβ +μ 二元线性回归分析的矩阵表示形式： 三、模型的基本假定 三、模型的基本假定 三、模型的基本假定 向量? 有一多维正态分布，即 三、模型的基本假定