[文学]第四节 非线性回归模型的参数估计 赵.ppt

第四节 非线性回归模型 一、 可线性化模型 *二、 不可线性化模型  一般采用高斯—牛顿迭代法进行估计，即将其展开成泰勒级数之后，再利用迭代估计方法进行估计。 三、回归模型的比较 当经济变量之间呈现非线性关系时，经常可以采用多个不同数学形式的非线性模型拟合样本数据，如何比较这些模型的优劣、并从中选择一个较为适宜的模型？对于这个问题没有一个统一的选择标准，但在实际研究中可以按照以下分析过程来比较，选择模型。 相关图分析：键入 SCAT Y X 由相关图2-8可以看出，我国税收收入的增长与国内生产总值密切相关，并且是非线性的曲线相关关系。因此，将模型初步设定为指数函数模型、二次函数模型和双对数模型。 表2-11 指数函数模型残差分布表 估计模型：首先生成新的序列（即进行变量变换）， GENR LNY = Log(Y) GENR LNY = Log(X) GENR X2 = X^2 再估计各个非线性回归模型： LS LNY C X （指数函数模型） LS Y C X X2 （二次函数模型） LS LNY C LNX （双对数模型） 模型的估计结果如下： 模型1 7.5086＋2.07×10-5 R2＝0.9841, ＝0.9828, F＝743.57 模型2 1645.70＋0.0468 ＋5.58×10-7 t： (3.34) (3.48) R2＝0.9918, ＝0.9903, F＝661.78 模型3 1.2704＋0.6823 R2＝0.9736, ＝0.9714, F＝443.05 三个模型的经济意义都比较合理，解释变量也都通过了t检验（一元模型的t检验等价于F检验）。但是从拟合优度来看，模型2的值最大，其次为模型1。因此，对这两个模型再做进一步的比较。 （3）残差分布分析 在各自的方程窗口可以得到相应的残差分布表，如表2-11（指数函数模型）和表2-12（二次函数模型）所示。从残差分布情况可以直观看出，虽然二次函数模型的总拟合误差较小，但近期误差却比指数函数模型大，所以从预测角度来看，指数函数模型更加合适。 表2-11 指数函数模型残差分布表(详见P59) ============================================================= obs Actual Fitted Residual Residual Plot ============================================================= 1985 7.62120 7.69374 -0.07254 | *. | . | 1986 7.64540 7.71931 -0.07391 | *. | . | 表2-11 指数函数模型残差分布表 * * 1．双曲线函数模型(倒数代换模型) 模型 设： ，或 即进行变量的倒数变换，就可以将其转化成线性回归模型，所以又称该模型为倒数变换模型。 2．双对数模型（幂函数模型） 模型 设： 则将其转换成线性回归模型： 对于双对数模型，因为 = 因此，双对数模型中的回归系数b恰好就是被解释变量y关于解释变量x的弹性。 3．半对数模型 与 模型 （对数函数模型） （指数函数模型） 由于模型中只有某一侧的变量为对数形式，所以称为半对数模型。显然，经简单的变量变换也可以将其转化成线性回归模型。 半对数模型中的回归系数b也有很直观的含义： 对数函数模型中， = 即x增加1%时，y 将增长0.01b个单位(增长100b%)。 = 即x增加1个单位时，y 将增长100b% 。特别地，若x为时间变量（如年份），则系数b 衡量了y 的年均增长速度。 4．多项式模型 模型 设 则 模型转化成多元线性回归模型。 例5(P49) 求某行业的总成本函数和边际成本函数 (Eviews实现) 指数函数模型 中 1．迭代估计法 （1）根据经济理论和所掌握的资料，先确定一组数作为参数的初始估计值； （2）将模型在点 处展开成泰勒级数，并取一阶近似值： ＋余项＋ε 即 其中，V是余项与随机误差项的和； (2---8) 对P51模型