第2讲经典线性回归解析(计量经济学-社科院,张涛).pptVIP

第2讲 经典线性回归分析 主要内容 预备知识：数理统计 一元线性回归分析 多元线性回归分析 非线性模型的线性化 结构框架 2.1 数理统计概述 （2）几种重要的分布 （3）几个重要的定理 定理1：样本均值 定理2：“样本方差” 定理3：“样本均值与方差” 定理4：“不同样本” （4）统计推断 点估计与区间估计 点估计： 区间估计： 估计方法 假设检验 （1）基本概念：单一假设和复合假设，原假设和备择假设，两类错误 （2）方法 置信区间法 显著性检验法（一个检验统计量是显著的，其含义是拒绝原假设） 数理统计的内在逻辑 2.2 一元线性回归分析 （1）基本假定 对随机项（干扰项）的假定 假定1：零均值 假定2：同方差 假定3：无自相关 *假定4：服从正态分布 对模型设定的假定 假定1：回归模型对参数而言是线性的。 假定2：回归模型是正确设定的。 （2）估计问题 最小二乘法：残差的平方和最小 最小二乘估计量的表达式 最小二乘估计量的性质 数值性质： OLS估计量纯粹是由可观测量（样本）表示的。 OLS估计量是点估计量。 回归直线通过样本均值。 残差的均值为零。 最小二乘估计量的统计性质（BLUE性质）高斯—马尔科夫定理 线性: 无偏性: 最小方差性: 参数估计量的抽样分布 随机扰动项的估计 （3）检验 回归参数的t检验 经验规律 在实际应用中，显著水平通常取5%，在t分布表中，当样本观察值的个数大于15时，t临界值大体保持在2左右。由此我们得到一个十分简便的检验方法，t绝对值大于2时，我们就可以得出系数是统计显著的结论。 但是，如果t值接近2，这种经验判断的方法就不准确。 回归方程的显著性检验和拟合优度 方差分析表 （4）一元线性回归方程应用：截面数据 一元线性回归方程应用：时间序列 （5）极大似然估计方法介绍 极大似然估计 2.3 多元线性回归分析 原始数据（四组） 双变量回归 最小二乘估计量的统计性质（BLUE性质）高斯—马尔科夫定理 线性: 无偏性: 最小方差性: 最小方差性的几何解释 参数估计量的两个特点 斜率的方差与解释变量的关系。 截距的方差与样本容量的关系。 参数估计量的抽样分布 随机扰动项的估计 （3）检验 回归参数的t检验 经验规律 在实际应用中，显著水平通常取5%，在t分布表中，当样本观察值的个数大于15时，t临界值大体保持在2左右。由此我们得到一个十分简便的检验方法，t绝对值大于2时，我们就可以得出系数是统计显著的结论。 但是，如果t值接近2，这种经验判断的方法就不准确。 回归方程的显著性检验和拟合优度 F检验的基本思想 回归方程的显著性检验：检验连等式 F值与判定系数之间的关系 方差分析表 （4）一元线性回归方程应用：截面数据 一元线性回归方程应用：时间序列 计算结果：SAVE=C(1)+C(2)*INCOME 统计量与假设检验 问题的延伸 判定系数探讨 极大似然估计的思想 不同的统计总体会产生不同的样本，对于某一特定的样本，在总体未知的情况下，它来自一些形式的母体的可能性要比来自另一母体的可能性大。 简言之，是样本“替代”我们选择了“总体”。 极大似然估计 极大似然估计一例 双变量回归模型的极大似然估计 2.3 多元线性回归分析 1.基本假定 解释变量之间无线性相关。 2.参数的最小二乘估计 3.参数估计量的统计性质 ? 线性 ?无偏性 ?方差—协方差和最小方差 4.回归参数的显著性检验 5.回归方程的显著性检验 校正的判定系数 偏相关系数与复相关系数 多元回归一例：生产函数 基本数据来源：《中国经济增长的可持续性》，王小鲁等，P63-64（注：数据经过作者的调整） 回归结果 问题延伸 参数约束条件下的最小二乘估计 F检验：约束条件 2.4 非标准线性模型的标准化 多项式函数模型 双曲函数模型 实例1： 平均成本与产量 实例2： 菲利普斯曲线 实例3：恩格尔支出曲线 对数函数模型 （1）双对数模型 实例：弹性问题 （2）对数—线性模型 实例：增长率问题 （3）线性—对数模型 单方程回归模型在预测方面的局限性 Sample: 1980 1999 Included observations: 20 LGDP=C(1)+C(2)*LLAB+C(3)*LCAP Coefficient Std. Error t-Statistic Prob. C(1) -3.895441 3.344390 -1.164769 0.2602 C(2) 0.734359