多元线性回归模型分析课件.pptVIP

可决系数（ Coefficient of Determination ） 该统计量越接近于1，模型的拟合优度越高。 从R2的表达式中发现，如果在模型中增加解释变量， R2往往增大。 显然，要使得模型拟合得好，只要增加解释变量即可。 但是，由增加解释变量引起的R2的增大与拟合好坏无关，所以R2需调整。 调整的可决系数（adjusted coefficient of determination） 其中：n-k-1为残差平方和的自由度，n-1为总体平方和的自由度。 2、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） 施瓦茨准则（Schwarz criterion，SC） 这两准则的推断标准：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。 地区城镇居民消费模型（k=2） 地区城镇居民消费模型（k=1） 与k=2比较，变化不大 二、方程的显著性检验(F检验)Testing the Overall Significance of a Multiple Regression (the F test) 1、假设检验（Hypothesis Testing） 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。 假设检验采用的逻辑推理方法是反证法。先假定原假设正确，然后根据样本信息，观察由此假设而导致的结果是否合理，从而判断是否接受原假设。 判断结果合理与否，是基于“小概率事件不易发生”这一原理的。 2、方程显著性的F检验 方程的显著性检验，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。 在多元模型中，即检验模型中的参数?j是否显著不为0。 在原假设H0成立的条件下，统计量 给定显著性水平?，可得到临界值F?(k,n-k-1)，由样本求出统计量F的数值，通过 F? F?(k,n-k-1) 或 F?F?(k,n-k-1) 来拒绝或接受原假设H0，以判定原方程总体上的线性关系是否显著成立。 2、估计步骤:以一元模型为例 Yi的分布 Yi的概率函数 Y的所有样本观测值的联合概率—似然函数 对数似然函数 对数似然函数极大化的一阶条件 结构参数的ML估计量 分布参数的ML估计量 3、似然函数 4、ML估计量 由对数似然函数求极大，得到参数估计量 结果与参数的OLS估计相同 分布参数估计结果与OLS不同 注意： ML估计必须已知Y的分布。 只有在正态分布时ML和OLS的结构参数估计结果相同。 如果Y不服从正态分布，不能采用OLS。例如：选择性样本模型、计数数据模型等。 三、矩估计Moment Method, MM 1、参数的矩估计 参数的矩估计就是用样本矩去估计总体矩。 用样本的一阶原点矩作为期望的估计量。 用样本的二阶中心矩作为方差的估计量。 从样本观测值计算样本一阶（原点）矩和二阶（原点）矩，然后去估计总体一阶矩和总体二阶矩，再进一步计算总体参数（期望和方差）的估计量。 样本的一阶矩和二阶矩 总体一阶矩和总体二阶矩的估计量 总体参数（期望和方差）的估计量 2、多元线性计量经济学模型的矩估计 如果模型的设定是正确，则存在一些为0的条件矩。矩估计的基本思想是利用矩条件估计模型参数。 一组矩条件，等同于OLS估计的正规方程组。 四、参数估计量的性质 说明 在满足基本假设的情况下，多元线性模型结构参数?的普通最小二乘估计、最大或然估计及矩估计具有线性性、无偏性、有效性。 同时，随着样本容量增加，参数估计量具有渐近无偏性、渐近有效性、一致性。 利用矩阵表达可以很方便地证明,注意证明过程中利用的基本假设。 1、无偏性 这里利用了假设: E(X’?)=0 2、有效性（最小方差性） 五、样本容量问题 1、最小样本容量 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。 样本最小容量必须不少于模型中解释变量的数目（包括常数项）,即 n ? k+1 为什么？ 2、满足基本要求的样本容量 从统计检验的角度： n?30 时，Z检验才能应用； n-k?8时, t分布较为稳定。 一般经验认为: 当n?30或者至少n?3(k+1)时，才能说满足模型估计的基本要求。 模型的良好性质只有在大样本下才能得到理论上的证明。 六、例题 地区城镇