[经济学]多元回归模型与回归方程.pptVIP

多元回归模型与回归方程 多元线性回归模型的形式 由于： 在实际经济问题中，一个变量往往受到多个原因变量的影响；“从一般到简单”的建模思路。 所以： 在线性回归模型中的解释变量有多个，至少开始是这样。这样的模型被称为多元线性回归模型。 多元线性回归模型参数估计的原理与一元线性回归模型相同，只是计算更为复杂。 多元线性回归模型的一般形式为： 习惯上把常数项看成为一个虚变量的系数，在参数估计过程中该虚变量的样本观测值始终取1。这样： 模型中解释变量的数目为（k+1）。 多元线性回归模型的矩阵表达式为： 多元线性回归模型的基本假定 模型(2.3.1)或(2.3.2)在满足下述所列的基本假设的情况下，可以采用普通最小二乘法（OLS）估计参数。 关于经典回归模型的假定 Collinear Predictors in Multiple Regression Model R2=.25 Effect of X1: p-value=.001 ry1=.50 = Error continued... Collinear Predictors in Multiple Regression Model R2=.40 Effect of X1: p-value=.01 ry(1.2)=.25 = Error = Collinearity between X1 and X2 continued... Collinear Predictors in Multiple Regression Model R2=.55 Effect of X1: nonsig.; ry(1.23)=0 = Collinearity between X1, X2 and X3 = Error X3 A Model with No Collinearity Model R2=0.37 X1: p-value0.0001 X2: p-value0.0001 = Error = Collinearity Collinear Predictors in Multiple Regression Model R2=.7492 Performance: p-value=.4272 Runtime: p-value=.5622 rPerformance,Runtime = -0.98841 = Error = Collinearity Oxygen_Consumption = 55.37940 + 0.85780*Performance - 1.40429*Runtime; 多元回归方程 (multiple regression equation) 描述因变量 y 的平均值或期望值如何依赖于自变量 x1， x2 ，…，xp的方程 多元线性回归方程的形式为 E( y ) = 0+ 1 x1 + 2 x2 +…+ p xp b1，b2，，bp称为偏回归系数 bi 表示假定其他变量不变，当 xi 每变动一个单位时，y 的平均变动值 二元回归方程的直观解释 估计的多元回归方程 估计的多元回归的方程(estimated multiple regression equation) 是 估计值 是 y 的估计值 用样本统计量 估计回归方程中的 参数 时得到的方程 由最小二乘法求得 一般形式为 参数的最小二乘估计 普通最小二乘估计 普通最小二乘估计 估计过程的矩阵表示： 多元回归方程及偏回归系数的含义 称为多元回归方程（函数）。 多元回归分析（multiple regression analysis）是以多个解释变量的固定值为条件的回归分析，并且所获得的是诸变量X值固定时Y的平均值。各个i称为偏回归系数（partial regression coefficients）。 偏回归系数的含义如下： 1度量着在X2,X3,…,Xk保持不变的情况下，X1 每变化1个单位时，Y的均值E(Y)的变化，或者说1 给出X1的单位变化对Y均值的“直接”或“净”（不含其 他变量）影响。 其他参数的含义与之相同。 最小样本容量 所谓“最小样本容量”，即从最小二乘原理和最大或然原理出发，欲得到参数估计量，不管其质量如何，所要求的样本容量的下限。 样本最小容量必须不少于模型中解释变量的数目（包括常数项）。 满足基本要求的