第2讲 简单线性回归PPT.ppt

1 计量经济学 (1) 简单二元回归 y = b0 + b1x + u 2 本章大纲 简单回归模型的定义 普通最小二乘法的推导 OLS的操作技巧 测量单位和函数形式 OLS估计量的期望值和方差 过原点回归 3 讲义大纲 一些术语的注解 一个简单假定 条件期望零值假定 何为普通最小二乘法 普通最小二乘法的推导 4 术语注解 在简单二元回归模型y = b0 + b1x + u中， y通常被称为因变量，左边变量，被解释变量，或回归子。 x通常被称为自变量，右边变量，解释变量，回归元，协变量，或控制变量。 5  等式y = b0 + b1x + u只有一个非常数回归元。我们称之为简单回归模型， 两变量回归模型或双变量回归模型. b0 , b1被称为回归系数。 b0也被称为常数项或截矩项，或截矩参数。 b1代表了回归元x的边际效果，也被成为斜率参数。 u 为误差项或扰动项，它代表了除了x之外可以影响y的因素。 7 简单二元回归模型例子 如：简单的工资方程 wage= b0 + b1(years of education) + u 上述简单工资函数描述了受教育年限和工资之间的关系, b1 衡量了多接受一年教育工资可以增加多少。 8 . . . . y4 y1 y2 y3 x1 x2 x3 x4 } } { { u1 u2 u3 u4 x y 总体回归线，样本观察点和相应误差 E(y|x) = b0 + b1x 9 . . . . y4 y1 y2 y3 x1 x2 x3 x4 } } { { û1 û2 û3 û4 x y 样本回归线，样本数据点和相关的误差估计项 10 推导方法（一）：OLS 正式解一个最小化问题，即通过选取参数而使下列值最小： 11 推导方法（一） 如果直接解上述方程我们得到下面两式： 12 普通最小二乘法的推导 13 因此OLS估计出的斜率为 14 普通最小二乘法的推导 根据样本均值的定义以及加总的性质，可将第一个条件写为 15 普通最小二乘法的推导（二）：矩方法 回归的基本思想是从样本去估计总体参数。 我们用{(xi,yi): i=1, …,n} 来表示一个随机样本，并假定每一观测值满足yi = b0 + b1xi + ui。 16 普通最小二乘法的推导 首先由E(u|x) = E(u) = 0 可知： Cov(x,u) = E(xu) = 0 为什么? Cov(x,u) = E(xu) – E(x)E(u) 而由E(u|x) = E(u) = 0 可得Cov(x,u) = E(xu) = 0 。 17 普通最小二乘法的推导 可将u = y – b0 – b1x代入以得上述两个矩条件。 这样我们可以得到两个矩条件约束： E(y – b0 – b1x) = 0 E[x(y – b0 – b1x)] = 0 18 普通最小二乘法的推导（二） 目标是通过选择参数值，使得在样本中矩条件也可以成立。 样本中矩条件可以表示为： 19 关于u的假定 假定总体中误差项u的平均值为零 E(u) = 0 (2.5) 该假定是否具有很大的限制性呢? 20 关于u的假定 比如, E(u)=5. 那么 y = (b0 +5)+ b1x + (u-5), 所以, E(u*)=E(u-5)=0. 上述推导说明我们总可以通过调整常数项来实现误差项的均值为零, 因此该假定的限制性不大。 21 条件期望零值假定 我们需要对u和 x之间的关系做一个关键假定。理想状况是对x的了解并不增加对u的任何信息。换句话说，我们需要u和x完全不相关： E(u|x) = E(u) 22 由于我们已经假定了E(u) = 0，因此有E(u|x) = E(u) = 0。该假定是何含义？ E(u|x) = E(u) = 0. (2.6) 条件期望零值假定 23 在教育一例中，假定u 代表内在能力，条件期望零值假定说明不管解释教育的年限如何，该能力的平均值相同。 E(ability|edu=6)=E(ability|edu=18)=0. 条件期望零值假定 24 假设期末成绩分数取决于出勤次数和影响学生现场发挥的因素，如学生个人素质。 score =b0 + b1attend +u 那么上述模型中假设（2.6）何时能够成立？ 条件期望零值假定 25 OLS斜率估计法总结 斜率估计量等于样本中x 和 y 的协方差除以x的方差。 若x 和 y 正相关则斜率为正，反之为负。 26 关于OLS的更多信息 OLS法是要找到一条直线，使残差平方和最小。 残差是对误差项的估计，因此，它是拟合直线（样本回归函数）和样本点之间的距离。 27 讲义总结 介绍简单线性