[经济学]4多元回归模型fixed.pptVIP

多元线性回归分析 多元回归分析是研究因变量对两个或两个以上解释变量的统计依赖关系。 多元回归模型是具有两个或两个以上解释变量的回归模型。 多元线性回归分析 很少有经济现象能够只用一个解释变量来解释。 比如：消费水平、股票价格、工资水平、破产率、新生婴儿死亡率等等。 因此，要解释这些复杂经济现象或经济相关现象，那么在建立回归模型的时候必须纳入多个解释变量，以充分反映多种因素对因变量的影响。 多元回归模型的一般形式 二元回归实例 研究美国非农业未偿还抵押贷款余额与个人收入和抵押贷款费用的关系。 Y ：美国非农业未偿还抵押贷款余额(亿美元)。 X2 ：个人收入总水平(亿美元)。 X3 ：抵押贷款费用（%） 经典正态线性回归模型 基本假定 样本回归模型 OLS估计量的推导 三变量模型回归系数的OLS估计量 偏回归系数的含义 偏回归系数体现的是解释变量对因变量的净影响或直接影响。 一元回归模型中的回归系数体现的是解释变量对因变量的总影响，包括直接影响和间接影响。 ?j也被称为偏回归系数，表示在其他解释变量保持不变的情况下，Xj每变化1个单位时，Y的均值E(Y)的变化; 或者说?j给出了Xj的单位变化对Y均值的“直接”或“净”（不含其他变量）影响。 最小二乘估计量的优良性质 高斯—马尔可夫定理 在经典线性回归模型的假定条件下，最小二乘估计量，在所有无偏线性估计量中，具有最小方差，也就是说，它们是最优线性无偏估计量。 OLS估计量的概率分布 检验一：回归系数显著性检验 检验单个回归系数的显著性。 变量的显著性检验（t检验） 方程的总体线性关系显著?每个解释变量对被解释变量的影响都是显著的。 因此，必须对每个解释变量进行显著性检验，以决定是否作为解释变量被保留在模型中。 这一检验是由对变量的 t 检验完成的。 检验二：回归模型的拟合优度检验 “判定系数”的含义和性质 判定系数度量了因变量的总变异在多大比例上可以由回归模型来解释，体现了回归模型对样本观测值的拟合优度，在一定程度上反映了模型的优良程度。 判定系数在0到1之间。 由R2的计算式可看出， R2 随解释变量的增加而可能提高（不可能降低）： *2、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） 2、赤池信息准则和施瓦茨准则 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。 检验三：方程显著性检验（ F检验） 把模型作为一个整体进行假设检验，检验模型中因变量与解释变量之间的线性关系是否显著成立。 检验方案： 检验思路：方差分析 对TSS的组成部分进行研究叫做方差分析。 TSS——自由度n-1 ESS——自由度k-1 RSS——自由度n-k F检验的拒绝域 2、关于拟合优度检验与方程显著性检验关系的讨论 四、参数的置信区间 参数的置信区间用来考察：在一次抽样中所估计的参数值离参数的真实值有多“近”。 在什么时候增加新的解释变量 最优线性无偏估计量(BLUE) Best linear unbiased estimator 同时满足“线性”、“无偏”、“方差最小”三个优良性质的估计量。 随机干扰项的方差通常是未知的，因此，回归系数估计量真正的方差协方差矩阵也就不能确定。 通常用模型的回归标准误去替代随机干扰项的标准差，则可以得到回归系数估计量的样本方差协方差矩阵。根据此矩阵，可以得到回归系数估计量的样本方差和样本标准误。 知道了统计量的概率分布，并且根据样本数据能够计算出具体的统计值，从而可以很方便地进行回归系数的区间估计和假设检验。 检验方法与双变量模型的回归系数显著性检验没有本质区别，但需要特别注意t统计量的自由度个数。 设计原假设与备择假设： H1：?i?0 给定显著性水平?，可得到临界值t?/2(n-k-1)，由样本求出统计量t的数值，通过 |t|? t?/2(n-k-1) 或 |t|≤t?/2(n-k-1) 来拒绝或接受原假设H0，从而判定对应的解释变量是否应包括在模型中。 H0：?i=0 （i=1,2…k） 注意：此处的k表示模型中偏斜率系数的个数. 注意：一元线性回归中，t检验与F检验一致 t检验与F检验都是对相同的原假设H0：?1=0 进行检验.（假设常数项为?0 ） 所以，一元线性回归中，t检验与F检验一致