第3章节回归分析的性质和基本概念幻灯片.ppt

谢谢观赏！ * 因变量，顾名思义就是因为其他因素而导致变化的变量，而解释变量呢就是用于解释这些变化的变量。 * 高尔顿的兴趣在于发现为什么人口的身高分布有一种稳定性。 * 当失业率较低时，货币工资增长率较高；反之，当失业率较高时，货币工资增长率较低，甚至是负数。 * * M1=M0+非金融机构活期存款=流通中现钞+非金融机构活期存款 * * 第2章提到，条件期望值与无条件期望值是不同的。 * 函数形式通过理论或经验来解决。 * 这些都是线性回归模型 * * Y就是由Yi组成的，Y的条件均值就是Yi的条件均值，给定Xi的条件下。 * 第四，即使把所有有关的变量都引入到模型中来，仍然可能有我们无论如何都解释不了，这也是我们科学可以一直探索下去的原因。干扰项也许能很好的反映这种随机性。第六，如果两三个变量就基本上能够解释Y的行为，则让ui去代表所有其他的变量好了。 * * * 注意区分条件期望 和无条件期望 ： 1. 问：一个家庭周消费支出的期望值是多少？ 答：如果我们将总体中所有60个家庭的消费支出加总除以60，得到121.20（7272/60）美元，这就是周消费支出的无条件均值或无条件期望值 。得到该数字并不关心各个家庭的收入水平。 2. 问：一个月收入为140美元的家庭的周消费支出的期望值是多少？ 答：101美元（条件均值）。 因此，对收入水平的了解能使我们更好的预测消费支出的均值，这可能正是回归分析的本质。 总体回归线（population regression line, PRL） 几何意义上，总体回归曲线就是解释变量取给定值时因变量的条件均值或期望值的轨迹。 图中的黑圆点表示了不同X值下Y的条件均值，将这些均值连起来，就得到所谓的总体回归线或称为总体回归曲线。 如下图： 现实中，一个总体可能有许多个家庭。图中对于每个X（收入水平）都有周消费支出Y值的一个总体，假定这些Y值均匀分布在其条件均值左右，并且回归线穿过这些条件均值。 条件均值 2. 总体回归函数 从上图中我们清楚的看出，每个条件均值 是 的一个函数 ，用符号表示： 该方程称为条件期望函数(conditional expectation function)或总体回归函数（population regression function, PRF） 。它说明了Y的均值或平均对应值是怎样随X而变化的。 采取什么函数形式？ 比如假定消费支出与收入有线性关系，假定PRF是 的线性函数： 其中β1 和β2 为未知但固定的参数，称为回归系数(regression coefficients). 该方程称为线性总体回归函数或简称线性总体回归。 这里所说的线性回归模型（linear regression model）和 通常意义下的线性函数不同，“线性”回归指参数是线性的， 即参数都只以它的 1 次方出现，解释变量X可以是线性的，也 可以不是线性的。 例如： 第二个式子代表了非线性回归模型(nonlinear regression model)。 第五节 “线性”一词的含义 都是线性回归模型。 都不是线性回归模型。 习题 如下模型是线性回归模型吗？为什么是或为什么不是？ 对于参数线性、解释变量非线性的回归模型，只要稍作变换，就可 化为线性回归模型的一般形式。 例如： 模型 令 ， ， ， ，可将模型化为 3．线性回归模型的普遍性 例如，著名的Cobb-Dauglas生产函数表现为幂函数形式， 著名的菲利普斯曲线（Phillips curves）表现为双曲线形式。 一般情况下，对于只含有乘、除、指数、幂运算的非线性关系，可通过对 数变化化为线性关系，以Cobb-Dauglas生产函数 为例，方程两边取对数，可化为线性形式 对于其他复杂的函数形式，可通过级数展开化为线性形式 ，然后在点 可先根据所掌握的信息确定参数 、 、 的一组初始值 、 、 （ ） ， ， 处对模型作泰勒级数展开，并取一阶近似值，得 例如，对于模型 余项 整理得 +余项 泰勒级数： +余项 令 ， ， 余项 原模型可化为 习题 考虑如下非随机模型（即不含随机误差项的模型）。它们是线性回归模型吗？若不是，可能通过适当的代数变换使之转化成线性模型吗？ 第六节 随机误差项 个别家庭的消费支出水平不一定随