ets3 双变量线性回归模型.ppt

第三章 双变量线性回归模型 （简单线性回归模型） （Simple Linear Regression Model） 　　　 这意味着 Y = ? + ?X (1) 我们写出计量经济模型 如下 Y = ? + ?X + u (2) 其中 u = 扰动项或 误差项 Y为因变量或被解释变量, 　　　　　　　　　　 X为自变量或解释变量。 ?和? 为未知参数。 (1) E(ut) = 0, t= 1, 2, ...,n 即各期扰动项的均值(期望值)为0. (2) COV(ui, uj) = E(uiuj) = 0 i? j 即各期扰动项互不相关. (3) Var(ut ) = E(ut2 ) = ?2 , t= 1, 2, ...,n 即各期扰动项方差是一常数. (4) 解释变量Xt 为非随机量 即Xt的取值是确定的, 而不是随机的. (5) ut ~ N( 0, ?2 ) , t= 1, 2, ...,n 即各期扰动项服从正态分布. 满足条件(1)--(4)的线性回归模型称为古典线性回归模型 (CLR模型) 我们的任务是， 在给定X和Y的一组观测值 (X1, Y1), (X2, Y2) , ..., (Xn, Yn) 的情况下, 如何求出 Yt = ? + ?Xt + ut 中 ?和 ? 的估计值,使得拟合的直线为最佳。 我们的目标是使拟合出来的直线在某种意义上是最佳的，直观地看，也就是要求估计直线尽可能地靠近各观测点，这意味着应使各残差尽可能地小。要做到这一点，就必须用某种方法将每个点相应的残差加在一起，使其达到最小。理想的测度是残差平方和，即 整理，得： 3 例子 　对于满足统计假设条件(1)--(4)的线性回归模型 Yt = ? + ?Xt + ut , ，普通最小二乘估计量 ( OLS估计量) 是最佳线性无偏估计量（BLUE）。 或 对于古典线性回归模型（CLR模型）Yt=α+β+Xt ，普通最小二乘估计量（OLS估计量）是最佳线性无偏估计量（BLUE）。 补充作业：网址：4，进入网络教学综合平台，登录后，输入课程名称或编号：计量经济学020758。 图2-6 准则 当p值小于显著性水平?时，系数在显著性水平?下是显著的； 当p值大于显著性水平?时，系数在显著性水平?下是不显著的。 我们已得到原假设H0:β=0的t值：t= = =2.76 同样可得出原假设H0:: α=0的t值：t= = =1.38 1. 回归结果提供 提供回归分析结果一般有两种方式： （1） = 6.70 + 0.58X R2 =0.49 （1.38）（2.76） 这里6.70和0.58分别为α和β的估计值 和 。 括号中数字是H0 : α=0和H0 :β=0 为真时的 t 值。 三、回归结果的提供和分析 2. 回归结果的分析 结果的分析主要包括以下内容： 　（1）系数的说明。首先是说明系数的符号是否正确，是否符合经济理论和常识。其次是说明系数的含义，斜率系数为0.58，表明X增加一个单位，Y增加0.58个单位（如收入X增加1元，消费Y增加0.58元）；截距6.70的含义是X为0时Y的值。截距项有时有经济意义，大多数情况下无。 　（2）拟合情况。 R2不高，作为时间序列数据，拟合不理想。 　（3）系数的显著性。斜率系数的t值为2.76，表明该系数显著异于0，X对Y有影响。 （2） = 6.70 + 0.58X R2 =0.49