第二讲 多元线性回归模型.pptVIP

第二讲：线性回归模型的基本假设及统计检验 一、多元线性回归模型的基本假设 1、为什么要提出基本假设 回归分析的主要目的是要通过样本回归函数尽可能准确地估计总体回归函数。估计的方法有很多种，其中使用最广泛的是普通最小二乘法（Ordinary Least Squares，OLS）。为保证OLS的参数估计量具有良好性质，通常要对模型提出若干基本假设。 需要注意的是，基本假设是针对OLS估计方法的，而不是针对模型的。 2、参数估计量优劣的评价标准 估计量的小样本性质（small-sample properties） 线性性：估计量是另一随机变量的线性函数 无偏性：估计量的期望等于总体的真实值 有效性：估计量在所有线性无偏估计量中具有最小方差 拥有这三个性质的估计量称为最佳线性无偏估计量（best linear unbiased estimator，BLUE) 估计量的大样本性质 渐近无偏性：样本容量趋于无穷大时，估计量的均值序列趋于总体真值 一致性：样本容量趋于无穷大时，估计量依概率收敛于总体真值 渐近有效性：样本容量趋于无穷大时，估计量在所有的一致估计量中具有最小的渐近方差 注：估计量如果满足小样本性质的话，自然也拥有大样本特性 总结 假设1，解释变量是非随机的或固定的，且各解释变量之间互不相关（无多重共线性）。 假设2，随机误差项具有零均值、同方差及不具有序列相关性。 假设3，解释变量与随机项不相关 假设4，随机项满足正态分布 满足这四个基本假设的线性回归模型的普通最小二乘估计量具有线性性、无偏性和最小方差性等优良性质，是最佳线性无偏估计量（高斯-马尔科夫定理（Gauss-Markov theorem）） 二、多元线性回归模型的普通最小二乘估计 对于随机抽取的n组观测值 三、多元线性回归模型的统计检验 1、拟合优度检验（R2） 拟合优度检验：对样本回归线与样本观测值之间拟合程度的检验。 问题思考：采用普通最小二乘估计方法，已经保证了模型最好地拟合了样本观测值，为什么还要检验拟合程度？ 3）调整后的可决系数 4）赤池信息准则和施瓦茨准则 为了比较所含解释变量个数不同的多元回归模型的拟合优度，常用的标准还有赤池信息准则（Akaike information criterion ，AIC）和施瓦茨准则（Schwarz criterion，SC） 这两个准则均要求仅当所增加的解释变量能够减少AIC值或SC值时才在原模型中增加该解释变量 2、变量的显著性检验 判断解释变量X是否对被解释变量Y具有显著的线性影响，这就需要进行变量的显著性检验。 变量的显著性检验所应用的方法是数理统计学中的假设检验。 统计学知识的回顾——假设检验 所谓假设检验，就是事先对总体参数或总体分布形式作出一个假设，然后利用样本信息来判断原假设是否合理，即判断样本信息与原假设是否有显著差异，从而决定是否接受或否定原假设。 t检验图示 3、方程的显著性检验（F检验） 旨在对模型中被解释变量与解释变量之间的线性关系在总体上是否显著成立作出推断。 F检验图示 四、样本容量问题 所谓“最小样本容量”，即从最小二乘原理和最大或然原理出发，欲得到参数估计量，不管其质量如何，所要求的样本容量的下限。 多元线性回归模型的参数估计实例 五、线性回归模型的普适性 在实际经济活动中，经济变量的关系是复杂的，直接表现为线性关系的情况并不多见。 如著名的恩格尔曲线(Engle curves)表现为幂函数曲线形式、宏观经济学中的菲利普斯曲线（Philips curves）表现为双曲线形式等。 但是，大部分非线性关系又可以通过一些简单的数学处理，使之化为数学上的线性关系，从而可以运用线性回归模型的理论方法。 非线性模型的线性化方法 利用级数展开线性化举例 CES生产函数模型及其改进型的估计 思考：如下模型的线性化问题 非线性回归实例 建立中国城镇居民食品消费需求函数模型 课后作业 自行搜集相关数据（思考一下，此处最好采用什么类型的数据？），采用如下生产函数模型，分析所研究的某行业是否具有规模报酬不变性。 要求：1）有原始数据、有软件输出结果及相关分析 2）作业10月30日前发至邮箱： tuojun534@ Eviews软件估计结果 1、倒数模型、多项式模型与变量的直接置换法 例如，描述税收与税率关系的拉弗曲线：抛物线 s = a + b r + c r2 c0 s：税收； r：税率 设X1 = r，X2 = r2， 则原方