货币计量学第二讲.pptVIP

第二讲 双变量线性回归分析 本节将通过最简单的线性模型——双变量模型，即一元线性回归模型介绍回归分析的基本思想。 一、变量和函数式 1、解释变量与被解释变量P18 2、确定两变量Y与X之间的函数关系式 注：许多非线性函数关系，可以通过某种数学变换化为线性函数，从而运用线性回归的方法。 二、建立模型 在确立数学函数式的基础上，由经济变量关系中的随机性建立计量经济模型。 随机误差的产生P22 包含随机误差项的计量经济模型 Y=a + b x + u 为什么要加入随机误差项？ 1、经济行为本身具有随机性。 2、除解释变量外，其他多数因素的总体影响存在，对被解释变量产生影响。 3、任何函数反映经济变量关系都只是简化，可能忽略了高阶项。 4、经济数据来源于统计调查，可能产生偏差。 三、模型的假设 为什么要假设？因为在模型中随机误差项u如何生成，对于判定样本回归函数对总体回归函数拟合的好坏直接相关。 所以要进行假设检验，需要对u的生成做一些特殊的假定，这正是经典线性回归模型的假设条件。 两变量线性回归模型的主要假设包括p41： 四大经典假设 一、所有样本点都满足线性随机函数， 且x是确定性变量。 二、零均值假设。 三、同方差假设。 四、误差序列不相关。 四、参数估计和最小二乘法 1、参数估计的基本思路——拟合。 2、样本趋势的拟合和回归残差。 3、最小二乘法。 1、参数估计的基本思路 参数估计是为了确定两变量之间具体的函数关系，也就是要确定模型中的系数a,b的值。 根据我们所建立的线性回归模型，我们知道参数的真实值是客观存在的，但我们观察到的结果由于受随机扰动项的影响，只能是真实值的近似。 我们希望找到最接近真实值的近似值，称为估计值。 解决问题的基本思路 利用样本数据反映出来的趋势性设法确定参数的估计值，以与样本趋势的拟合程度作为选择回归直线、判断参数估计好坏的标准。 用拟合样本趋势的回归直线，近似模型的总体回归直线，从而得到模型参数的估计值。 2、样本趋势的拟合和回归残差 确定最符合样本数据趋势的参数估计值。 如何拟合样本趋势？ （1）两点决定一条直线； （2）分组求和法 评判回归直线拟合程度的标准——残差（样本点与回归直线之间的纵向偏差）即：e i = Y i - (a+b X i ) (i =1,2,…,n) 回归残差 残差是判断回归直线拟合程度好坏的重要指标。 确定回归直线和参数估计值的准则和方法，就是要使残差绝对值之和最小。 即：min Σ | e i | 最小二乘法 最小二乘估计的思想：用残差序列的平方和作为衡量回归直线拟合程度的指标。 这种方法的优势： （1）避免残差正负抵消； （2）反映了所有样本点与回归直线偏差的总体水平； （3）便于计算； （4）得到的估计值具有良好的性质。 最小二乘法计算参数估计值的方法 因为 Y = a + b X + u 要用已知的样本数据（X、Y）估计方程系数a、b 所以残差平方和必然是a、b的二次连续函数，而且二次项系数都为正，则该残差平方和一定有对于a、b的最小值，根据极值条件，得到正规方程组，进而得到（*）式P28。 最小二乘估计量的性质 1、线性性：参数估计量a、b可以表示为Y i 的线性组合。 2、无偏性： a、b是参数真实值的无偏估计，即以真实值为概率分布中心。 3、有效性：在所有的线性无偏估计量中，最小二乘估计量a、b的方差最小。 4、一致性：当样本容量不断增大，最小二乘估计量以参数真实值为极限。 注：高斯—马尔科夫定理P46 五、回归拟合度评价和决定系数 评价回归拟合度的必要性：判断变量关系的真实性，检验模型的好坏。 评价回归拟合度的思路：找到一个评价标准。 评价回归拟合度的主要指标：决定系数。 离差 为什么要引入离差？因为残差平方和将随样本容量的增大而增大，而且受数值本身的影响，因此对不同样本容量、不同样本数据回归拟合情况的评价不具横向可比性，不适合作为拟合度的评价指标。 什么是离差？Y的真实值与均值的差。 离差平方和 离差平方和=回归平方和+残差平方和 回归平方和相对于残差平方和越大，说明回归拟合度越好，Y与X线性决定系数越明显。 决定系数R2 R2 =回归平方和 /残差平方和 P54 R2的值介于0、1之间。 决定系数越接近1