经济回归模型跟计算 童恒庆 第02节.pdfVIP

第二章 多元线性回归模型的有偏估计 模型的参数估计依赖于观测样本，样本是随机的(至少Y是随机的)，因此估计量也是随机 的，不一定恰好等于被估计参数的真值。但是我们希望多次估计的结果的期望值接近或等于真 值，即 ˆ ˆ 2 2 E(β) = β, E(σ ) =σ 这就叫无偏估计。无偏估计被认为是一个估计量应有的优良性质。 但是在一些场合，满足无偏性的估计量却不具备其它应有的优良性，比如说稳定性、容 许性。统计学家提出了一些新的估计方法，它们往往不具备无偏性，但在特定场合综合起来考 虑还是解决问题较好的。本章就分别介绍这些特定场合下的有偏估计。 第一节 设计矩阵列复共线与岭回归 一、设计矩阵列复共线的影响 上一章最后一节讲的是设计矩阵列向量完全线性相关，|X′X|=0 的情况。实际工作中常遇 到的是，设计矩阵的列向量存在近似线性相关(称为复共线(multicollinear ity)) ，|X′X|≈0。此 时一般最小二乘方法尽管可以进行，但估计的性质变坏，主要是对观测误差的稳定性变差，严 重时估计量可能变得面目全非。 例如我们建立二元线性回归模型  Y = X + X +ε （2.1.1） 1 2 有关资料在下面运算过程可以看到。看一看原始资料，它近似满足 Y=X +X , 应该估计出 i 1i 2i ˆ ˆ ˆ β = 0, β = 1, β =1。可是我们调用普通最小二乘回归程序，运算结果却是 0 1 2 Y = 0.0033 + 0.4330 X +1.566X +ε （2.1.2） 1 2 对现有数据拟合的还挺好，两条曲线几乎成了一条曲线 (图2.1.1.1)，F值为303744，但是代 入X=0, X=10,预测值却为15.66，这与原模型应有的预测值10 相距甚远。 1 2 岭回归与岭迹图计算程序, 例 2.1.4 例214.D 数据文件中, n=8, M=2 要显示原始资料吗? 0=不显示, 1=显示 2.0100 .9900 1.0100 1 1.9900 1.0200 .9900 4.0100 2.0300 1.9900 5.9900 2.9700 3.0100 8.0100 3.9600 4.0100 7.9900 4.0100 3.9900 10.0100 5.0400 4.9900 11.9900 6.0500 5.9900 正规方程系数矩阵的行列式的值是 2.12162 请输入工作参数, 0=普通回归, 1=岭回归, 2=计算岭迹 （0） 现在作线性回归显著性检验, 计算t,F,R 统计量 请输入显著性水平a, 通常取a=0.01, 0.05, 0.10, a=? （0.05） 线 性 回 归 分 析 计