第四章与回归模型相关的若干.ppt

第四章 与回归模型相关的若干问题 §4.1 贝塔系数（Beta） 对多元线性回归模型 贝塔系数(标准系数 )是说明多元线性方程中每个自变量相对重要的指标 如何得到贝塔系数？ 对多元线性回归模型采用变换（即变量标准化 如何在Eview 软件上进行变量变换？ 先观察标量 同理 设置标量 Scalar Xm=1.010909 Scalar Ym=0.658235 Scalar Sx=0.356944 Sy=0.859558 Scalar Sy=0.859558 变量变换 点击procs点击generate series在弹出来的对话框内输入xnew=(x-xm)/sx 建立新的序列 同理可建立Ynew=(y-ym)/sy序列 于是，对多元线性回归模型式可以改写成： 实例：下表为一组调查数据，试建立二元回归模型 利用OLS法可得回归方程 (0.7153) (0.8770) ＝0.9796表示当X1有一个标准差的变动，将会影响到Y有0.9796个标准差的变动。 ＝-0.3180表示当X2增加一个标准差单位，因变量Y就会减少0.3180个标准差单位 §4.2 非线性模型的线性化 本质上线性的模型是那些通过变量替换可以变为参数的线性形式的模型 本质上非线性的模型不能用变量替换转化成线性形式 假设我们有如下的（非线性）模型： 一、非标准线性模型的标准化 1、多项式函数模型 2、半对数函数模型和双对数函数模型 函数形式为 3、双曲线函数模型 二、非线性模型的标准线性化 1、非线性模型变量的间接代换 柯布－道格拉斯生产函数模型 需要说明的是，在使用EViews软件进行最小二乘法估计时，在命令行键入命令 LS LOG (Q) C LOG (L) LOG (K) 就可以估计出参数与的估计值 例1 咖啡例 LOG(Y) = 0.7774 - 0.2530*LOG(X) 0.1524 0.0493 R2=0.7448 0.0152 -5.1250 Y = 2.6911 -0.4795*X 0.1216 0.1140 R2= 0.6627 22.12686 -4.2056 实例 例2 试将下列非线性模型线性化 例2 对下列模型进行适当的变换化为标准线性模型 某产品的产量与科技投入之间呈二次函数模型 ，其统计资料如下表所示 §4.3虚拟变量 虚拟变量（Dummy variable）指的是一种取值为0或1的变量 质变量 反映的并不是数量，而是某种性质或属性 量变量 反映数量的变量 * 人们往往想知道，哪个自变量更重要，也就是说Xit对yt有多大影响？ Xit的系数βi是否可以作为衡量Xit对yt影响大小的标准，即βi越大，是否越重要？ Descriptive statistics Histogram and stats 称为贝塔系数（也称标准化系数） 贝塔系数用自变量的标准差与因变量的标准差的比值对斜率参数的估计值进行了调整。在一元回归模型中，自变量的贝塔系数等于两个变量之间的简单相关系数 5.3 5 8.4 4.6 4 7.8 3.0 3 6.5 3.2 2 4.8 2.1 1 5.1 X2 X1 Y Sy.= 1.592796 Sx1.= 1.289574 Sx2.= 1.581139 如果模型能被变成 或者 则它是本质上线性的 可化为标准线性模型 可以通过两边取对数 可通过变换 化为标准线性模型 可通过变换 可化为标准线性模型 10 300 10 8 200 9 7 150 8 5.5 120 7 5 100 6 4 0 5 3.5 60 4 3 48 3 2.8 40 2 2 30 1(1989) 投入X 产量Y 年份 试对模型进行回归分析。