[教育]第二章一元线性回归2010.ppt

1、变量间的相互关系 2、相关分析与回归分析 变量间的相关关系的可以通过相关分析(correlation analysis)或回归分析(regression analysis)来研究 相关分析主要研究随机变量间的相关形式与相关程度 具有相关关系的变量间有时存在因果关系，这时可以通过回归分析研究其间的具体依存关系 回归分析(regression analysis)是研究一个变量关于另一个（些）变量的具体依赖关系的计算方法和理论。 前一个变量（结果变量）称为被解释变量（Explained Variable）或因变量（Dependent Variable），记为Y； 后一个（些）变量（原因变量）称为解释变量（Explanatory Variable）或自变量（Independent Variable），记为Xi。 具体依赖关系体现为Y和X的一个关系式：Y＝f(Xi）。其目的在于：通过解释变量Xi的已知或设定值，去估计和(或)预测被解释变量Y的（总体）均值。 回归分析是经典计量经济学的主要分析方法 主要内容包括： 根据样本观察值对计量经济学模型参数进行估计，求得回归方程； 对回归方程、参数估计值进行显著性检验 利用回归方程进行分析、评价及预测 二者都是研究相关关系的方法，并能测度线性依赖程度的大小。相关分析是回归分析的基础。 相关分析中变量的地位是对称的，而回归分析中变量是不对称的，具有被解释变量和解释变量之分。 相关分析中变量都可以是随机的；而回归分析中，被解释变量是随机的，而解释变量往往被看成是非随机的。 相关分析只关注变量的间的相关程度，不关注具体依赖关系；而回归分析更加关注这一具体依赖关系，因而可以通过解释变量的变化来估计和预测被解释变量的变化。 虽然回归分析通常用于研究具有因果关系的变量之间的具体依赖关系，但是回归关系式本身并不一定意味着因果关系 “一个统计关系式，不管多强也不管多么有启发性，却永远不能确立因果方面的联系；对因果关系的理念，必须来自于统计学以外，最终来自这种或那种理论” ——Kendall Stuart 回归分析本身实质上只是一种数据分析方法和手段，而非确定因果的逻辑基础或理论 （1）对同一收入水平X，不同家庭的消费支出Y不完全相同，说明在给定X的情况下，Y取值的不定性——随机性 （2）随着X的增加，Y“平均地”也在增加——统计规律性 （4）描出散点图发现：随着收入X的增加，消费“平均地说”也在增加，且Y的条件均值均落在一条正斜率的直线上。这条线，我们称为总体回归线（population regression line，PRL） 总体回归函数说明在给定的收入水平Xi下，该社区家庭平均的消费支出水平E(Y|Xi）。 但对某一个别的家庭，其消费支出Yi可能与该平均水平有偏差。 1）在解释变量中被忽略或未知因素的影响； 2）变量观测值的观测误差的影响； 3）模型关系的设定误差的影响； 4）众多细小的影响因素； 5）变量的内在随机性 问题：能否从样本估计总体回归函数？ 做该样本的散点图 样本散点图近似于一条直线，这与总体中体现的X和Y的关系是一致的。 画一条直线以尽可能地拟合该散点图，由于样本取自总体，可用该线近似地代表总体回归线。 该线称为样本回归线（sample regression lines）。 2、 SRF与PRF的关系 3、 样本回归模型（SRM） 4、残差e与误差μ 5、回归分析的目的 获得一个优良的样本回归函数SRF，作为总体回归函数PRF的估计，描述X和Y之间的变化规律。 这就要求：寻求好的方法，构造尽可能好的SRF 换言之，构造PRF中未知参数的优良估计量 一元线性回归模型的基本形式 2、基本假设的内容 3、基本假设的意义 假设1：模型中只有μ是随机变量，从而Y是与μ具有类似性质的随机变量 假设2： E(μi)=0 → E(Yi)＝β0＋β1Xi Var(μi)=ó2 → 1）各样本点上，误差项的分布离散程度是相同的 → 2）Yi与μi具有相同的方差： var(Yi)=ó2 Cov(μI,μj)=0 → 1）各样本点上，随机因素是相互独立的 → 2） Yi, Yj也相互独立： cov(Yi,Yj)=0 假设3：解释变量X和随机误差项μ对Y的影响是完全独立的 假设4：1）参数估计并不需要，但假设检验和预测需要 2） Yi与μi具有相同的分布，只是均值不同 4、暗含假设 给定一组样本观测值（Xi, Yi）（i=1,2,…n）要求样本回归函数尽可能好地拟合这组值。 2、最小二乘估计（OLSE）