[经济学]第四章计量经济学-多元线性回归.ppt

内容回顾 什么是回归？ 什么是计量模型？什么是自变量、因变量？ 如何估计参数？有哪些基本方法？各自原理是什么？ 估计出来的参数具有哪些基本性质？如何对其进行检验？ 如何判断模型估计的总体效果？ 如何运用模型进行预测？如何进行区间预测？ 如何创建WF？如何录入数据？如何估计？ 第一节 多元线性回归模型 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其他函数形式 §4.1 多元线性回归模型 一、多元线性回归模型 二、多元线性回归模型的基本假定 一、多元线性回归模型 多元线性回归模型:表现在线性回归模型中的解释变量有多个。 一般表现形式： 二、多元线性回归模型的基本假定 假设1，解释变量是非随机的或固定的，且各X之间互不相关（无多重共线性）。 假设2，随机误差项具有零均值、同方差及不序列相关性 维恩图 第二节 多元线性回归模型的估计 估计方法：OLS 一、普通最小二乘估计 对于随机抽取的n组观测值 *最大似然估计 对于多元线性回归模型 *矩估计（Moment Method, MM） OLS估计是通过得到一个关于参数估计值的正规方程组 回归模型为： 二、参数估计量的性质 在满足基本假设的情况下，其结构参数?的普通最小二乘估计、最大或然估计及矩估计仍具有： 线性性、无偏性、有效性。 三、样本容量问题 所谓“最小样本容量”，即从最小二乘原理和最大或然原理出发，欲得到参数估计量，不管其质量如何，所要求的样本容量的下限。 四、多元线性回归模型的参数估计实例 例 前章已建立了中国居民人均消费一元线性模型。这里我们再考虑建立多元线性模型。 *赤池信息准则和施瓦茨准则 为了比较所含解释变量个数不同的多元回归模型的拟合优度，常用的标准还有: 赤池信息准则（Akaike information criterion, AIC） F统计量与R2的关系 回归模型为： 五、对多个回归系数联合检验 过程： 对模型做无约束与约束的回归，得到相应的残差平方和与R平方； 利用上述结果设计统计量F； 对F进行检验 注：对模型总体检验的F检验是这里F统计量的特例。 EVIEWS实现 模型估计； 在结果中点View/Coefficient Tests/Wald-coefficient Restrictions 进行参数约束设定(虚假设）； 点击OK，出现结果，根据F值与其概率进行判断。 2、满足基本要求的样本容量 从统计检验的角度： n?30 时，Z检验才能应用(大样本使用）； n-k?8时, t分布较为稳定 一般经验认为: 当n?30或者至少n?3(k+1)时，才能说满足模型估计的基本要求。 模型的良好性质只有在大样本下才能得到理论上的证明 解释变量：人均GDP：GDPP 前期消费：CONSP(-1) 估计区间：1979~2000年 Eviews软件估计结果 第三节 多元线性模型的统计检验 一、拟合优度检验 TSS = ?(Yi - Y)2 = ? (Yi2 - 2 Y Yi + Y 2 ) = ? Yi2 - nY 2 = Y’Y - nY 2 ESS = ?(Yi - Y)2 - ? e2 = (Y’Y - nY 2 ) - (Y’Y - B’X’Y) = B’X’Y - n Y 2 ? ? ? ? ? ? ? ? R2 校正样本决定系数：？ R2 = 1 - ( 1 - R2 ) ————— （n - 1) (n - k -1) ? 可决系数 该统计量越接近于1，模型的拟合优度越高。 问题： 在应用过程中发现，如果在模型中增加一个解释变量， R2往往增大（Why?) 这就给人一个错觉：要使得模型拟合得好，只要增加解释变量即可。 但是，现实情况往往是，由增加解释变量个数引起的R2的增大与拟合好坏无关，R2需调整。 调整的可决系数（adjusted coefficient of determination） 在样本容量一定的情况下，增加解释变量必定使得自由度减少，所以调整的思路是:将残差平方和与总离差平方和分别除以各自的自由度，以剔除变量个数对拟合优度的影响: 其中：n-k-1为残差平方和的自由度，n-1为总体平方和的自由度。 施瓦茨准则（Schwarz criterion，SC） 这两准则均要求仅当所增加的解释变量能够减少AIC值或AC值时才在原模型中增加该解释变量