第二章 经典线性回归模型PPT.ppt

将OLS法应用于此模型，可求得β1和β2的估计值 ，从而可通过下列两式求出a和b估计值： 应当指出，在这种情况下，线性模型估计量 的性质（如BLUE,正态性等）只适用于变换后的参数估计量 ，而不一定适用于原模型参数的估计量 和 。 例2.8 上例在确定货币需求量的关系式时，我们实际上给模型加进了一个结束条件。根据理论假设，在某一利率水平上，货币需求量在理论上是无穷大。我们假定这个利率水平为2%。假如不给这一约束条件，而是从给定的数据中估计该利率水平的值，则模型变为： M = a(r - c)b 式中a,b,c均为参数。仍采用对数变换，得到 log(Mt) = loga + blog(rt - c) + ut t=1,2,…,n 我们无法将log(rt-c)定义为一个可观测的变量X, 因为这里有一个未知量c。也就是说，此模型无法线性化。在这种情况下，只能用估计非线性模型参数值的方法。 四．非线性回归 模型 Y = a(X - c)b 是一个非线性模型，a、b和c是要估计的参数。此模型无法用取对数的方法线性化，只能用非线性回归技术进行估计，如非线性最小二乘法（NLS）。该方法的原则仍然是残差平方和最小。计量经济软件包通常提供这类方法，本书第五章将对非线性回归方法作较深入的介绍，这里仅给出有关非线性最小二乘法的大致步骤如下： 非线性回归方法的步骤 1． 首先给出各参数的初始估计值（合理猜测值）; 2． 用这些参数值和X观测值数据计算Y的各期预测 值（拟合 值） ; 3．计算各期残差，然后计算残差平方和∑e2; 4．对一个或多个参数的估计值作微小变动； 5．计算新的Y预测值 、残差平方和∑e2； 6．若新的∑e2小于老的∑e2，说明新参数估计值 优于老估计值，则以它们作为新起点； 7．重复步骤4，5，6，直至无法减小∑e2为止。 8．最后的参数估计值即为最小二乘估计值。 第五节 假设检验 本节讨论经典线性回归模型的区间估计和假设检验问题。我们的模型是： 在第二节中我们证明了在扰动项服从正态分布的假设（A5）下， ~ j＝0,1…,k 其中 cjj 为矩阵 中的（j＋1, j＋1）元素（主对角线上第j＋1个元素）。 这一结果为基于OLS估计量的假设检验提供了坚实的基础。 一、β的置信区间 我们可构造一个检验统计量 该变量服从均值为0、标准差为1的标准正态分布。 与估计量相联系的概率分布的标准差，通常称为标准误差（standard error），用Se表示。 的标准误差为： 如果σ为已知，则由于检验统计量z服从标准正态分布，因而我们可以立即给出总体参数 的95%的置信区间为： 但实际上，我们一般无法知道扰动项分布的方差 ，而必须根据观测值数据估计出 ，然后再来考虑 的置信区间的计算问题。 1． ?2 的估计 可以证明， ?2的无偏估计量是 式中 是残差平方和，分母是 的自由度，这是因为我们在估计 的过程中，失去了 （K+1）个自由度。 2. 的置信区间 我们重新定义 的标准误差为： 则检验统计量 不再服从标准正态分布，而是服从自由度为（n-k-1）的t分布，即 这里n和k分别为观测值和解释变量的数目。 故 的（1－α）％置信区间为： 其中α为显著性水平，通常取α＝0.05。 例2.9 回到食品需求的例子（例2.2）： 其中，Y=在食品上的总支出， X=个人可支配收入 ，P=食品价格指数 用美国1959-1983年的数据，得到如下回归结果（括号中数字为标准误差）： 求 的95％置信区间。