[2018年最新整理]ch2古典模型新.docVIP

古典回归模型 古典回归模型的估计 一、古典回归模型的基本假定 1．解释变量为确定性变量，被解释变量为非随机变量。 2．零均值假定：E(εi) = 0。 3．同方差假定： D(εI) =σ2 4．非自相关假定：（i≠j） 5．解释变量与随机误差项不相关假定： 6．无多重共线性假定 7、εi服从正态分布，即εi ～N(0，σ2 ) 将满足这些假定的回归模型称为经典回归模型。在回归分析的参数估计和统计检验中，许多结论都以这些假定作为基础。 古典回归模型 （一）最小二乘估计（Ordinary Least Square—OLS） 1.基本原理 所选择的回归模型应该使所有观察值的残差平方和达到最小。 ＝最小 2.估计过程 == min 分别求关于模型参数的一阶偏导数，并令其等于零，有 整理得 （二）极大似然估计 第三节 古典回归模型的统计检验 一、 模型的拟合优度检验 “拟合优度”，即所估计的模型对样本数据的近似程度,常用判定系数反映。 1、总误差平方和的分解 总误差（TSS）＝回归误差（ESS）＋剩余误差（RSS） 自由度 2．判定系数 0≤≤1 , R2的值越接近于1，则表明模型对样本数据的拟合优度越高。 经济意义：在被解释变量的变动中，由模型中解释变量变动所引起的比例，即变动的是由模型中解释变量变动所引起。 3．判定系数与相关系数的区别和联系 区别：（1）判定系数反映变量间不对称的因果关系 （2）相关系数反映变量间对称的线性相关关系 联系： 一元线性 多元线性 4.比较解释变量个数不同模型优劣时，利用如下三个指标 ⑴ 调整的判定系数 越大，模型拟合优度越高。 ⑵ SC（Schwarz Criterion，SC = ⑶ AIC(Akaike Information Criterion，赤池信息准则) AIC = (4)HQC(Hannan-Quinncriterion，汉南-奎因准则) 其中 SC、AIC和HQC越小，表明模型的拟合优度越高。 二、方程的显著性检验——检验法 方程的显著性检验，就是检验模型对总体的近似程度。最常用的检验方法是F检验或者R检验。 F检验 ～ 给定的显著水平，可由F分布表查得临界值，进行判断： 若＞，拒绝，方程的线性关系显著； 若 ≤ ，接受，方程的线性关系不显著，回归方程无效、重建。 检验通不过的原因可能在于： ⑴ 所选取的解释变量不是影响被解释变量变动的主要因素,或者说影响y变动的主要因素除方程中包含的因素外还有其它不可忽略的因素； ⑵ 解释变量与被解释变量之间无相关关系； ⑶ 解释变量与被解释变量之间不存在线性相关关系； ⑷ 样本容量n小。 R检验 ⑴ R2与F的关系 可见，F为R2的单调递增函数 ⑵ 相关系数 由于 则 在一元线性回归中，R称为简单相关系数，且│R│≤ 1，即-1≤R≤ 1 在多元线性回归中，，R称为复相关系数，且0≤R≤1。 给定显著性水平和自由度,即可查表找到 判断：︱R︱，方程线性关系显著。 ︱R︱≤，方程线性关系不显著，回归方程无效，重建方程。 F检验与R检验结果一致，实际应用可选择其一。 三、 解释变量的显著性检验－检验法 对于模型 在之下，检验解释变量对y是否有显著影响，建立假设 当 ＞，或所对应的伴随概率＜时，拒绝，即认为对有重要线性影响； 当 ≤，或所对应的伴随概率≥时，接受，即认为对无重要影响，应考虑将其从模型中剔除，重新建立模型。 解释变量显著性检验通不过的原因可能在于： ⑴ 与不存在线性相关关系； ⑵ 与不存在任何关系; ⑶ 与(i≠j)存在线性相关关系。 四、随机误差项的正态性检验——JB检验法 1、基本原理 雅克——贝拉检验（Jarque-Bera test,简称JB检验）。JB正态性检验是基于偏态和峰态的一种检验方法。偏态是对分布的对称性而言，因为正态分布是对称的，故偏态为0。偏态S定义为 而峰态是对分布的高尖而言，峰态K定义为 其中为均值。正态分布的峰态为3，大于3的为尖峰态，小于3的为扁峰态 正态JB检验统计量在大样本下近似服从分布，即 JB＝ 当＞，或者对应的值很小时，拒绝；当≤，或者对应的值很大时，接受；一般而言，任何残差不可能服从一个严格的正态分布。在实际计算时，用估计出的残差去替代上公式中的，去替代上公式中的。 2、EVIEWS实现 在方程窗口点击View/Residual Test/Hist