第二章最小二乘法和线性回归金融计量学.pptVIP

* 对自由度丢失惩罚更为严格的标准： Akaike的信息准则（Akaike information criterion,简记为AIC）和Schwarz的信息准则（Schwarz information criterion,简记为SC）  * 其中 是方程随机误差项方差的估计值，k是解释变量的个数，T是样本容量。 可以看到，AIC和SC 的惩罚项 、 比 更为严厉，而且相对来说SC标准对自由度的惩罚比AIC更为严厉。无论是AIC标准还是SC标准，从预测的角度来看，度量值越低，模型的预测会更好。 * 本章小节 本章内容在计量经济学中是最基础也是最重要的部分。在这一章中，我们首先介绍了最小二乘法及其估计量的性质和分布。在此基础上我们对一元线性回归模型的统计检验进行了详细讨论，接着将模型扩展，讨论了多元线性回归模型。在用模型进行预测时，主要有两种情况：即有条件预测和无条件预测。最后一小节我们简单介绍了模型的选择。 作业 任选一只股票，考察影响该股票价格的两种因素，用最小二乘法对其进行回归分析，并检验方程的拟合优度，对参数进行t检验和对模型进行F检验，求出在置信度为5%的置信区间。 * * 第三节 多变量线性回归模型的统计检验 一、多变量模型的简单介绍 多元线性回归一般方程： t=1,2,3….T 其中:解释变量的数目为k-1(x2t,x3t…,xkt)个，?j称为偏回归系数，（β1’β2’…..βk）分别衡量了解释变量对因变量y的边际影响的程度。 矩阵形式为 y是T×1矩阵，X是T×k矩阵，β是k×1矩阵，u是T×1矩阵 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。 假设3，解释变量与随机项不相关。 假设4，随机项满足正态分布。 * * 在多变量回归中残差向量为： 残差平方和为： * 可以得到多变量回归系数的估计表达式 同样我们可以得到多变量回归模型残差的样本方差 参数的协方差矩阵 * OLS估计量的性质： 1、线性 2、无偏性 3、最小方差性 同时，随着样本容量增加，参数估计量具有渐进无偏性、渐进有效性、一致性。 * 二、拟合优度检验 在多变量模型中，我们想知道解释变量一起对因变量y变动的解释程度。我们将度量这个信息的量称为多元判定系数R2。 在多变量模型中，下面这个等式也成立： TSS=ESS+RSS 其中，TSS为总离差平方和；ESS为回归平方和；RSS为残差平方和。 * 与双变量模型类似，定义如下： 即，R2是回归平方和与总离差平方和的比值；与双变量模型唯一不同的是，ESS值与多个解释变量有关。 R2的值在0与1之间，越接近于1，说明估计的回归直线拟合得越好。 * 三、假设检验 （一）t检验 在多元回归模型中，t统计量为： …… 均服从自由度为（n-k）的t分布。下面的检验过程跟双变量线性回归模型的检验过程一样。 * （二）、F检验 F检验的第一个用途是对所有的回归系数全为0的零假设的检验。第二个用途是用来检验有关部分回归系数的联合检验，就方法而言，两种用途是完全没有差别的。 * 为了解联合检验是如何进行的，考虑无约束回归模型： 假设我们想检验其中q个回归系数是否同时为零，将所有变量分为两组： 如果假定所有后q个系数都为零，即建立零假设： ，则修正的模型将变为有约束回归模型（restricted regression）： * 关于上述零假设的检验很简单。若从模型中去掉这q个变量，对有约束回归方程进行估计的话，得到的误差平方和 肯定会比相应的无约束回归方程的误差平方和 大。 检验的统计量为： 统计量服从分子自由度为q，分母自由度为N-K的F分布。 * 当q=k-1时（即为解释变量个数） 建立原假设和备择假设： H0： ?1=?2=?3= ? =?k=0 H1： ?j不全为0 则统计量F=(ESS/RSS)*[(n-k)/(k-1)] 给定显著性水平?，可得到临界值F?(k-1,n-k)，由样本求出统计量F的数值，通过 F? F?(k-1,n-k) 或 F≤F?(k-1,n-k) 来拒绝或接受原假设H0，以判定原方程总体上的线性关系是否显著成立。 * F检验与