第二章一元线性回归　 计量经济学 教学课件.pptVIP

相关分析与回归分析 二、一元线性回归模型 Xi 的变化是Yi变化的原因， Xi 、Yi之间具有因果关系。（2.1）式称为一元线性回归模型。 随机误差项ui 中一般包括以下因素。 （1）回归模型中省略的变量 （2）统计的误差 （3）模型设定的误差 （4）随机误差 一元线性回归的目的就是在存在扰动项的情况下，估计回归系数?0、 ?1，确定X对Y的影响。 三.随机误差项的基本假定： 假定一：在Xi一定的情况下，ui的平均值为零，即 E（ui）=0 假定二：每个Xi对应的随机误差项ui具有相同的常数方差，称同方差性 Var（ui）= ?u2 假定三.：ui服从正态分布 假定四：任意两个Xi与Xj对应的随机项ui与uj之间是独立不相关的，即 Cov（ ui，uj ）=0。称无序列相关性或无自相关。 假定五：解释变量X是一组确定性变量，随机扰动项 ui与解释变量Xi无关, Cov（ ui，Xi ）=0 。 第二节 参数的最小二乘估计 一、四种重要的关系式 例1.2.1：一个假想的社区有100户家庭组成，要研究该社区每月家庭消费支出Y与每月家庭可支配收入X的关系。 即如果知道了家庭的月收入，能否预测该社区家庭的平均月消费支出水平。 为达到此目的，将该100户家庭划分为组内收入差不多的10组，以分析每一收入组的家庭消费支出。 假设检验主要有三种: 1.拟合优度检验:解释变量对被解释变量的解释程度 2.t检验:检验系数的显著性 3.F检验:检验整个方程的显著性 因此，总体均值E(Y|X=1000)的95%的置信区间为： 673.84-2.306?61.05 E(Y|X=1000) 673.84+2.306?61.05 或 （533.05, 814.62） 同样，Y在X=1000的个体值，其95%的置信区间为： 673.84 - 2.306?130.88Yx=1000 673.84 + 2.306?130.88 或 (372.03, 975.65) 二、时间序列问题 上述实例表明，时间序列完全可以进行类似于截面数据的回归分析。 然而，在时间序列回归分析中，有两个需注意的问题： 第一，关于抽样分布的理解问题。 能把表2.5.1中的数据理解为是从某个总体中抽出的一个样本吗？ 如何才能缩小置信区间？ 1.增大样本容量n 2.提高模型的拟合优度 第五节、 一元线性回归模型的预测 给定解释变量X的一个特定值X0，我们可以通过上述回归方程，计算预测出Y的估计值 。预测分为点预测和区间预测。 一、点预测 对回归模型： 　。已知解释变量X的一个特定值X0，我们可以通过上述回归方程，计算预测出Y的估计值 点预测的结果严格的说，只是被解释变量的预测值的估计值，而不是预测值。原因在于两方面： 一是模型中的参数估计量是不确定的。 二是随机干扰项的影响。所以，我们得到的仅是预测值的一个估计值。预测值仅以某一个置信度处于以该估计值为中心的一个区间中。预测在更大程度上说是一个区间估计问题 二、总体条件均值与个值预测值的置信区间 1、总体均值预测值的置信区间 由于 于是 可以证明 因此 故 于是，在1-?的置信度下，总体均值E(Y|X0)的置信区间为 2、总体个值预测值的预测区间 由 Y0=?0+?1X0+? 知: 于是 从而在1-?的置信度下， Y0的置信区间为 在上述收入—消费支出例中，得到的样本回归函数为: 则在 X0=1000处， ?0 = –103.172+0.777×1000=673.84 对于Y的总体均值E(Y|X)与个体值的预测区间（置信区间）: （1）样本容量n越大，预测精度越高，反之预测精度越低； （2）样本容量一定时，置信带的宽度当在X均值处最小，其附近进行预测（插值预测）精度越大；X越远离其均值，置信带越宽，预测可信度下降。 一、中国居民人均消费模型 例2.6.1 考察中国居民收入与消费支出的关系。 GDPP： 人均国内生产总值（1990年不变价） CONSP：人均居民消费（以居民消费价格指数（1990=100）缩减）。 第六节 案例分析 1. 建立模型 拟建立如下一元回归模型