计量经济学多元线性回归的简化模型推荐.pptVIP

第三章 经典单方程计量经济学模型：多元线性回归模型 第一节 为何要用多元模型 考虑下面的例子： 某人试图解释一个人的工资水平的决定，为此，他找到的解释变量为受教育水平，于是他构造了如下的计量模型： wagei=α+βedui+εi （1） 这里：wagei-第i个人的工资水平，edui—第i个人的受教育水平，εi-随机扰动项。 考虑一下，如果要满足最基本的一致性，这个模型有何缺陷？ 分析： 显然，除受教育水平外，影响工资水平的还有一个人的工作经历。而工作经历则与受教育水平又相关。 解决办法：只要在模型（1）中加入新的变量即可，即模型变成如下形式： wagei=α+β1edui+β2 experi+εi （2） 这里：experi-第i个人的工作经历。 应用多元线性回归模型的几个原因： 第一，即使我们所关注的仅是一个解释变量X1对被解释变量Y的影响，但如果还存在其它解释变量X2、X3…等也对Y有影响，且同时与X1相关，那么此时就应将X2、X3…等一并引入模型，即建立如下新模型： Yi=α+β1X1i+ β2X2i+ β3X3i+…+εi （3） 第二，提高预测准确度。 如果我们要试图解释被解释变量Y的波动，显然，引入更多的解释变量可以使解释更准确，即预测Y更准确。 第三，提高假设检验中所用“仪器”的准确度。比如，有时一个因素虽然与已有的解释变量无关，但你不将其“揪出来”放到模型中去，而将它看作随机扰动项的一部分，它就可能造成扰动项的异方差、自相关等问题。 需思考的问题 为什么只要加入另外一些与已有解释变量相关的新解释变量就可保证我们所关注参数的一致性呢？ 由于这些新加入的新解释变量与原解释变量是相关的，这不会对原解释变量的参数估计形成影响吗？ 如果直观的理解上述问题，留待后面章节。 第二节 多元线性回模型的参数估计 1.基本模型设定 Y=α+β1X1+ β2X2+ β3X3+…βkXk+εi （3） 这里：Yi-被解释变量，Xji-第j(j=1，2 …k）个解释变量， εi～N（0，σ2）。 2.要估计的参数 α 、 β1、 β2、 β3 …βk，还有σ2。 特别要注意： 第一，万不可忘记，我们同时要估计参数σ2。（回想一下，为什么？） 第二，要估计的参数，并不一定是我们实际应用中所一定关注的参数。 比如，实际中，我们可能只关注x1的参数β1，因而其他参数估计的准确性，我们并不关心。 3.估计的方法 ——普通最小二乘法（OLS） ——最大似然法（ML） ——矩估计（MON） 我们只关注OLS法。 4.最小二乘估计结果 这里 最小二乘法的几何解释 第三节 估计参数的优劣与推断 一.模型估计出来后面临的两个问题 （1）估计出的参数的“精确度”； （2）从实际应用来看，某一个或某几个解释变量是否真的对被解释变量具有重要影响。 回忆一下，这与一元的情形是否相同？各自要做的具体工作是什么？ 二.模型的假设 1.一个完美多元模型的条件 （1）回想一下，一元模型的条件有哪几条假设？ （2）多元情形的条件 ①各个解释变量之间不能完全相关（即不能出现某一个解释变量是另外其他解释变量线性组合的情形） 例如，为了研究一国的吉尼系数，某人在封闭经济中建立了如下模型： jct=α+β1yt+β2ct+ β3It+ εt 这里：jc是t时期的吉尼系数，y、c、I分别为产出、消费与投资。 试分析一下，这个模型有何问题？ ②扰动项无条件均值为0、扰动项同方差、扰动项序列不相关。 即：E(εi)=0，D (εi)=σ2，cov(εi,εj)=0 （I,j=1,2…n) ③任何一个解释变量均与扰动项不相关。 即：cov(Xji,εj)=0,i=1…k；j=1…n 注意，这里的不相关，指的是样本意义上的。 —④扰动项服从正态分布。 此条在大样本情形下可以不考虑，实际应用中，大部分情况下不予考虑。 2.满足上述条件的结果 （1）用OLS法估计出的参数是：无偏、一致和有效的 （2）所有的常规假设检验也是有效的。 三.估计参数的一致性问题 1.OLS估计的参数满足一致性的条件 （1）再重复一次：一致性是对估计参数的最基本与实际应用中最通常的要求，但样本必须足够大。 （2）所有的关于无偏、一致、有效的直观解释与一元的情形完全相同。 （3）只要①、③两个假设成立，且样本数量足够大，那么参数就会满足一致性。 （4）注意，这与课本有区别，课本要求各解释变量间不相关，实际只要不完全相关即可。 2.为何即使各个解释变量间存在一定程度相关，参数仍会满足一致性呢？ 数学解释： 直观解释：首先，一致性要求的是，随着调查样本容量的增大，我们的参数估计量具有“越来越靠近”真实值的特征