[理学]6第六章 多元线性回归模型.ppt

第六章 多元线性回归模型 计算各收入组的条件均值，绘制散点图 目录 第一节 多元线性回归的模型的表示方法和基本假定 第二节 多元线性回归的参数的OLS估计及其性质 第三节多元线性回归的统计检验 专题：eviews软件入门 第一节多元线性回归的模型的表示和基本假定 一、多元线性回归的基本表示方法 二、偏回归系数的含义 三、模型的基本假定 返回 第二节 多元线性回归的参数的OLS估计及其性质 一、参数的OLS估计 二、 OLS估计量的性质 三、 OLS估计量的概率分布 返回 二、参数估计量的性质 在满足基本假设的情况下，总体参数?的普通最小二乘估计具有：线性性、无偏性、有效性。 即高斯-马尔可夫定理一样成立 1、线性性 2、无偏性 3、最小方差性 4、小结 返回 三、ols估计量的概率分布 假设检验需要指明总体参数（即总体回归系数）的估计量（即样本回归系数）服从何种分布 如同需要指明样本均值服从何种分布，才可对总体均值进行统计推断一样。 样本回归系数是Y的线性函数，因此其概率分布取决于Y，而Y的概率分布取决于随机误差项 有了样本回归系数的OLS估计量的分布信息，就可以利用它进行总体回归系数的统计推断 1、正态性假定：随机误差项服从正态分布， 随机扰动项代表了未引入模型的随机影响之和，依据中心极限定理，大量独立同分布的随机变量之和趋向于正态分布 第三节多元线性回归的统计检验 一、拟合优度检验 二、参数显著性检验 三、对联合假设的检验：F检验 返回 一、拟合优度检验 p158 1、多元判定系数R2 2、调整后的多元判定系数 返回 1、多元判定系数R2 多元判定系数和一元判定系数的计算方法是一样的：因为判定系数的计算只和被解释变量Y有关，和解释变量X无关 2、调整后的多元判定系数（p165） 多元判定系数R2存在一个问题：当解释变量个数增多时候，离差平方和RSS至少不会增大，则多元判定系数R2一般会随着增大解释变量个数增多而增大 1）可决系数随解释变量个数的增加而增大。易造成错觉：要模型拟合得越好，就应增加解释变量。然而增加解释变量会降低自由度，减少可用的样本数。并且有时增加解释变量是不必要的； 2）导致解释变量个数不同模型之间对比困难；可决系数只涉及变差，没有考虑自由度。 因此在比较同一被解释变量，但又不同个数的解释变量的模型的时候， R2存在不合理的 地方 调整后的多元判定系数性质 二、对回归参数进行假设检验：显著性检验法(p135) 多元线性回归的 参数的显著性检验 同为稻草人假设 自由度为n-k-1,k为解释变量个数 得到t值后和临界值比较，当t值大于临界值，则拒绝零假设 葡萄酒价格预测 数据 应变量： ln(price)： 1952~1980年间共10批，用来自六个葡萄种植场的的葡萄酿造的60种不同葡萄酒的价格，取其对数形式 自变量： Age: 葡萄酒存放年数 Temp:葡萄生长期平均气温 Rain:8/9月份降雨量 Wrain:葡萄生长期前一年10月到次年3月降雨量 回归结果（括号里数据为标准误差） 三、对联合假设的检验（p161） 拟合优度检验和F检验的对比 拟合优度检验和F检验都是对回归方程显著性的检验，都是把总离差TSS分解成回归平方和ESS与残差平方和RSS，并在此基础上构造统计量进行检验。 F检验零假设成立等价于判定系数为零 模型对观测值的拟合程度越高，模型总体线性关系的显著性就越高。 区别：F检验有精确的分布。返回 Eviews软件入门 讨论和作业 回归方程的显著性检验—F检验（检验因变量和诸自变量之间是否存在显著的线性关系） 1、检验的假设： 3、根据样本数据，计算F统计量的值 总 变 差 残 差 回 归 方 差 自由度 平方和 变差来源 * * 多元回归模型 800 750 650 750 700 650 700 650 600 …… …… 650 600 550 …… …… 600 550 550 …… …… 1100/40 1000/30 900/20 X1/x2 Y 一、一般线性回归模型的基本表示方法 函数形式： 矩阵形式： 返回 二、偏回归系数 返回 假定1：随机扰动项的零均值假定 三、古典（经典）假定 或 假定2：随机扰动项的零均值假定的同方差假定 返回 假定3：无自相关假定（多元线性回归模型） 假定4、随机扰动项与解释变量不相关（相互独立） 或 假定5、正态性：随机扰动项服从正态分布 线性回归模型： 例：一元线性回归模型： 6、无多重共线性，即假定各解释变量之间不存在线性关系 （注：多元线性回归模型才有无多重共线性的