4 多元回归计量经济模型.pptVIP

第三章 经典单方程计量经济学模型：多元回归 多元线性回归模型概述 多元线性回归模型的参数估计 多元线性回归模型的统计检验 多元线性回归模型的预测 §3.1 多元线性回归模型 一、多元线性回归模型概述 二、多元线性回归模型的基本假定 一、多元线性回归模型 多元线性回归模型:表现在线性回归模型中的解释变量有多个。 一般表现形式： 二、多元线性回归模型的基本假定 假设1 解释变量是非随机的或确定的，且各X之间互不相关（无多重共线性）。 §3.2 多元线性回归模型的估计 估计方法：OLS、ML或者MM 一、普通最小二乘估计 对于随机抽取的n组观测值 *二、最大或然估计 对于多元线性回归模型 *三、矩估计（Moment Method, MM） OLS估计是通过得到一个关于参数估计值的正规方程组 四、参数估计量的性质 在满足基本假设的情况下，其结构参数?的普通最小二乘估计、最大或然估计及矩估计仍具有： 线性性、无偏性、有效性。 五、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。 六、多元线性回归模型的参数估计实例 例：中国居民人均消费线性模型。 §3.3 多元线性回归模型的统计检验 一、拟合优度检验 二、方程的显著性检验(F检验) 三、变量的显著性检验（t检验） 四、参数的置信区间 一、拟合优度检验 1、可决系数与调整的可决系数 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） 二、方程的显著性检验(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。 2、关于拟合优度检验与方程显著性检验关系的讨论 由 三、变量的显著性检验（t检验） 方程的总体线性关系显著?每个解释变量对被解释变量的影响都是显著的 四、参数的置信区间 参数的置信区间用来考察：在一次抽样中所估计的参数值离参数的真实值有多“近”。 在变量的显著性检验中已经知道： 3397 7078 2000 3138 6547 1999 2972 6307 1998 2834 6054 1997 2641 5576 1996 2236 4854 1995 1746 3923 1994 1331 2939 1993 1070 2287 1992 896 1879 1991 Eviews软件估计结果 则 总离差平方和的分解 由于 =0 所以有： 注意：一个有趣的现象： 可决系数 该统计量越接近于1，模型的拟合优度越高。 问题： 在应用过程中发现，如果在模型中增加一个解释变量， R2往往增大（Why?) 这就给人一个错觉：要使得模型拟合得好，只要增加解释变量即可。 但是，现实情况往往是，由增加解释变量个数引起的R2的增大与拟合好坏无关，R2需调整。 调整的可决系数（adjusted coefficient of determination） 在样本容量一定的情况下，增加解释变量必定使得自由度减少，所以调整的思路是:将残差平方和与总离差平方和分别除以各自的自由度，以剔除变量个数对拟合优度的影响: 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。 施瓦茨准则（Schwarz criterion，SC） 这两准则均要求仅当所增加的解释变量能够减少AIC值或AC值时才在原模型中增加该解释变量。 Eviews的估计结果显示： 中国居民消费一元例中： AIC=7.09 SC=7.19 中国居民消费二元例中： AIC=6.68 SC=6.83 从这点看，可以说前期人均居民消费CONSP(-1)应包括在模型中。 1、方程显著性的F检验 即检验模型 Yi=?0+?1X1i+?2X2i+ ? +?kXki+?i i=1,2, ?,n 中的参数?k是否显著不为0。 可提出如下原假设与备择假设： H0： ?0=?1=?2= ? =?k=0 H1： ?j不全为0 F检验的思想来自于总离差平方和的分解式： T