[高等教育]计量经济学 2一元线性回归分析.pptVIP

* 对于双变量线性回归模型 给定样本以外的解释变量的观测值X0，可以得到被解释变量的预测值?0 ，可以此作为其条件均值E(Y|X=X0)或个别值Y0的一个近似估计。 严格地说，这只是被解释变量的预测值的估计值，而不是预测值。原因: （1）参数估计量不确定 （2）随机项的影响 * 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 * 于是，在1-?的置信度下，总体均值E(Y|X0)的置信区间为 其中 * 2、总体个值预测值的预测区间 由 Y0=?0+?1X0+u 知: 于是 式中 : 从而在1-?的置信度下， Y0的置信区间为 * 总体回归函数的置信带（域）（confidence band） 个体的置信带（域） * 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；X越远离其均值，置信带越宽，预测可信度下降。 用回归模型预测木材剩余物 伊春林区位于黑龙江省东北部，有森林面积219万公顷，木材蓄积量为2.3亿m3。森林覆盖率为62.5%，是我国主要的木材工业基地之一。1999年伊春林区木材采伐量为532万m3。按此速度44年之后，1999年的蓄积量将被采伐一空。 为缓解森林资源危机，并解决部分职工就业问题，除了做好木材的深加工外，还要充分利用木材剩余物生产林业产品，如纸浆、纸袋、纸板等。因此预测林区的年木材剩余物是安排木材剩余物加工生产的一个关键环节。 §2.5 案例： 林业局名 年木材剩余物yt（万m3） 年木材采伐量xt（万m3） 乌伊岭 26.13 61.4 东风 23.49 48.3 新青 21.97 51.8 红星 11.53 35.9 五营 7.18 17.8 上甘岭 6.80 17.0 友好 18.43 55.0 翠峦 11.69 32.7 乌马河 6.80 17.0 美溪 9.69 27.3 大丰 7.99 21.5 南岔 12.15 35.5 带岭 6.80 17.0 朗乡 17.20 50.0 桃山 9.50 30.0 双丰 5.52 13.8 合计 202.87 532.00 观测点近似服从线性关系。 建立一元线性回归模型如下： yi = ?0 + ?1 xi + ui 年剩余物yi和年木材采伐量xi散点图 分析EViews输出结果。 = -0.7629 + 0.4043 xi (-0.6) (12.1) R2 = 0.91, T = 16 上述模型的经济解释是，对于伊春林区每采伐1 m3木材， 将平均产生0.4 m3的剩余物。 * 讨论1：判断下列表达式是否正确 * * 参数的经济含义。 回归模型的残差平方和很大，说明拟合效果很差。 讨论2： * 小结 回归分析含义 双变量线性回归模型的参数估计 双变量线性回归模型的假设检验 双变量线性回归模型的经济含义 双变量线性回归模型的预测 求和算子Σ 采用Σ代表变量各个观测值的和： 下面是一些求和算子的运算法则： 高斯—马尔可夫定理(Gauss-Markov theorem) 在给定经典线性回归的假定下，最小二乘估计量是具有最小方差的线性无偏估计量。 证： 易知 故 同样地，容易得出 （2）证明最小方差性 其中，ci=ki+di，di为不全为零的常数 则容易证明 普通最小二乘估计量（ordinary least Squares Estimators）称为最佳线性无偏估计量（best linear unbiased estimator, BLUE） 由于最小二乘估计量拥有一个“好”的估计量所应具备的小样本特性，它自然也拥有大样本特性。 * 因此，由该样本估计的回归方程为： * 模型解释变量和误差项ui的假定条件如下: (1) ui 是一个随机变量，ui 的取值服从概率分布。 (2) E(ui) = 0。 (3) ui 具有同方差性。 D(ui) = E[ui - E(ui) ]2 = E(ui)2 = ? 2。 (4) ui为正态分布（根据中心极限定理）。 以上四个假定条件可作如下表达。 ui ? N (0, ? ? ) 二、线性回归模型的基本假设 * (5) ui 非自相关。 Cov(ui, uj) = E[(ui - E(ui) ) ( uj - E(uj) )]