计量经济学多元线性回归模型课件推荐.ppt

OLS：原则、求解、结果 第三节 多元线性回归模型的检验 本节主要介绍： 一、 拟合优度检验（多重可决系数及其修正） 二、 回归参数的显著性检验（t－检验） 三、 回归方程的显著性检验（F－检验） 四、 拟合优度、t－检验、F－检验的关系 对以上自由度的说明： 四、各种检验之间的关系 1、拟合优度检验与F检验 联系： 1）拟合优度检验和F检验都是对回归方程显著性的检验； 2）都是把总离差TSS分解成回归平方和ESS与残差平方和RSS，并在此基础上构造统计量进行检验； 3）模型对观测值的拟合程度越高，模型总体线性关系的显著性就越高（两者同增同减） 。 2、F－检验和t－检验 1）在一元的情形，两者是一致（等价）的。对单个解释变量显著性进行t检验，也就检验了解释变量的整体显著性（F检验）；并且可以证明：F＝t2 （教材P64） （所以在一元情形，只需进行一种检验即可） 2）多元中，不存在以上关系。 第四节 多元线性回归模型的预测 一、应变量平均值、个别值的点预测 二、应变量平均值、个别值的区间预测 问题的提出： 在前述基本假定下，OLS估计具有BLUE的优良性。 然而实际问题中，这些基本假定往往不能满足，使OLS方法失效，不再具有BLUE特性。 估计参数时，必须检验基本假定是否满足，并针对基本假定不满足的情况，采取相应的补救措施或者新的方法。 对基本假定是否满足的检验称为计量经济学检验。 1、通常不会发生随机扰动项均值不等于0的情形。若发生也不 会影响解释变量的系数，只会影响截距项。 2、随机扰动项正态性假设一般能够成立，就算不成立，在大 样本下也会近似成立。 （所以不讨论以上假定是否违背的问题） 不满足基本假定的情形（2） 4、随机扰动项相关=序列自相关 ——时间序列数据经常出现序列相关 第五节 解决多重共线性实例 回顾6项基本假定： （1）解释变量间不相关（无多重共线性） （2）E(ui)=0 （随机项均值为零） （3）Var(ui)= （同方差） （4）Cov(ui, uj)=0 （随机项无自相关） （5）Cov(X, ui)=0 （随机项与解释变量X不相关） （6）随机扰动服从正态分布 不满足基本假定的情形（1） 3、解释变量之间相关=多重共线 5、随机扰动项方差不等于常数=异方差 ——截面数据时，经常出现异方差  第一节 什么是多重共线性 第二节 多重共线性产生的后果 第三节 多重共线性的检验 第四节 多重共线性的补救措施 主要内容 先从两个实例谈起 例1：某地区为研究不同家庭的消费Y与收入X2的关系，在此基础上，还引进了消费者家庭财富状况X3作为第二个解释变量。模型为： SE =（6.7525） （0.8229） （0.0807） t =（3.6690） （1.1442） （-0.5261） F＝92．4020 例2：某国家分折汽车保养费用支出Y(元)与汽车的行程数X2(公里)以及汽车拥有的时间X3(周)的关系。建立如下模型： SE =(121.50) (28.79) (21.41) t = （0.06） （0.958） （-7.06） 第一节 什么是多重共线性 注：例 2 中X3的 t 值大，但X3的系数符号与经济意义不符号。原因？ 注：例1中X2、X3的 t 值小。且X3的系数符号与经济意义不符号。原因？ 式中： 是不全为0 的常数，则称解释变量之间存在完全多重共线性。 一、多重共线性的定义（表现为两种情形） （一）完全的多重共线性 线性回归模型中的若干解释变量或全部解释变量的样本观测值之间具有某种严格的线性关系。 即对于一般线性回归模型 各解释变量的样本观测值之间存在一个或多个如下的关系式 例如，设有回归模型 其中： C为居民个人消费； S为个人工资收入； N为非劳动收入； T为总收入 因为 所以 解释变量之间存在完全共线性。 称解释变量之间存在着近似（不完全）多重共线性。 (二) 近似（不完全）多重共线性（实际中多为此情况） 若解释变量之间满足近似线性关系： 例如，用时间序列数据建立回归模型时，由于许