第四章多元线性回归方程PPT.pptVIP

例 估计结果： Yt = 7.193 - 1.39 X1 + 1.47 X2 se (1.595) (0.205) (0.956) t (4.510) (-6.780) (1.538) n=13 ,k=2, ?=0.05 t?／2(n-k-1)= t0.025(10)=2.228 结论：常数项和X1的系数是显著的， X2的系数不显著 简易“2倍”检验法 当?=0.05，n-k-18 时， t?／2(n-k-1)≈2 将｜t｜和2比较，就可得出参数的显著性 检验可以化简为：当估计值大于标准差的2倍时，则认为参数是显著的，反之是不显著的。 P值检验法(P-Value Test) p 值的概念：为了方便，将 t 统计量的值记为 计算 p＝P{｜t｜t 0}称为p 值（p－value ） 通常的计量经济学软件都可自动计算出p 值 P值检验法原理 如果p ?，则p/2 ?/2， t0落入接受域，应接受H0 bj 0 -t?／2 t?／2 ?／2 ?／2 接受H0 拒绝H0 拒绝H0 t0 p／2 p／2 P值检验法原理 如果p ?，则p/2?/2， t0落入拒绝域，应拒绝H0 0 bj -t?／2 t?／2 ?／2 ?／2 接受H0 拒绝H0 拒绝H0 t0 p／2 p／2 P值检验法准则 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。 解释 p-value： 确切的（或观测的）显著性水平 p-value：零假设H0被拒绝的最低显著性水平 在使用上更简单,不用查临界值表 方程的显著性检验 F检验法 P值检验法 第四章：多元线性回归方程 多元回归模型 三变量线性回归模型 多元线性回归模型的若干假定 多元线性回归模型的估计与假设检验 一、多元回归模型 多元回归模型(Multiple Regression Model)： 包含多个解释变量的回归模型。 多元指有多种因素（即变量）对因变量有影响。 实际上，许多回归模型都是多元回归模型，因为很少有经济现象能够仅用一个解释变量能解释清楚。 多元回归模型 对多元回归模型的假设过程与双变量有何不同？ 如何估计多元回归模型？多元回归模型的估计过程与双变量模型有何不同？ 多元回归有没有一些在双变量模型中未曾遇到过的独特的特性？ 既然一个多元回归模型能够包括任意多个解释变量，那么对于具体的情况，我们如何决定解释变量的个数？ 二、三变量线性回归模型 形式：Y=b0+b1X1+b2X2+u Y：因变量；X1 ，X2 ：解释变量 u ：随机扰动项 b0为截距，表示当X1 ，X2 =0时， Y的平均值 b1，b2为偏斜率系数、偏回归系数或也称回归系数 三变量线性回归模型 上式表明任何一个Y值可以表示成为两部分之和 系统成分或决定成分b0+b1X1+b2X2 非系统成分u，是由除X1 ，X2以外其他因素决定的。 例 Y’=15-1.2X1+0.8X2 令X2值为10，则Y’ =15-1.2X1+0.8*10 =23-1.2X1 这里b1 =-1.2表示当X2为常数时，X1每增加一个单位， Y的估计值Y’将减少1.2个单位，这个斜率就是偏回归系数。（ X2取其他常数也是一样） 令X1=5，得Y’ =15-1.2*5+0.8X2=9+0.8X2 偏回归系数的含义 简言之，偏回归系数反映了当模型中的其中一个解释变量为常量时，另一个解释变量对因变量的影响。 多元回归的这个独特性质不但能使我们引入多个变量，而且能够“分离”出每个解释变量X对因变量Y的影响。 三、多元线性回归模型的若干假定 利用最小二乘法（OLS）对参数进行估计。 为了假设检验，假定随机项u服从均值为0，方差为σ u 2的正态分布，即 u～N(0, σ u 2) 假定1 零均值假定：E(ui)=0,i=1,2,….n 对X1 ，X2的每个观测值，u可以取不同的值，考虑u的所有可能值，它们的总体平均值（期望值）等于0。 假定2 同方差假定：Var(ui)= σ u 2, i=1,2,…n 上式表明，各次观测值中u具有相同的方差，即各次观测所受到的随机影响的程度相同，称为等方差性。 假定3 无自相关假定： Cov(ui, uj)=0, i ≠ j, i,j=1,2…..n 表明任意两次观测的ui, uj是不相关的，即u在某次的观测值与任何其它次观测中的值互不影响，称为无序列相关性。 等方差性和无序列相关性称为高斯—马尔柯夫（Gauss-Markov）假定。 假定4 随机项与自变量不相关： Cov(ui, x1i)=0；