双变量回归模型：推断问题3.pptVIP

第四讲：双变量回归模型：推断问题 主要内容： 正态假定下的线性回归模型 置信区间估计 假设检验 回归分析的应用：预测 §4.1正态假定下的线性回归模型 新的假定 对估计量精度的再次度量 4.1.1新的假定 假定6：各个干扰项之间无自相关性 给定任意的 ， ， 和 之间的相关性为零。 即 假定7： 和 的协方差为零，即 和 不相关。 该假定可由假定1和假定2推出， 干扰项的 概率分布假定 采用正态假定的基础 中心极限定理 如果存在大量独立同分布的随机变量，那么，除了少数例外情形，随着这些变量的个数无限的增大，它们的总和将趋于正态分布。 即使变量不是严格独立和同分布，只要样本容量足够大，也将趋于正态分布。 ， 是正态分布的 4.1.2 对估计量精度的再次度量 ？为什么要对估计量精度进行再次度量 由于随机干扰项 未知，我们只能从误差的估计量——残差出发，对总体方差进行估计 在正态性假定，我们可以得到 在随机误差 的方差 估计出来后，参数的方差和标准差的估计量为 将式（4-1）、（4-2）中的分母用样本标准差估计量替换后 4.2 置信区间估计 虽然在重复抽样中估计值的均值可能会等于真值，但由于抽样波动，单一估计值很可能不同于真值。在更多情况下，我们希望能够围绕着点估计量构造区间，使这些区间从长远来看包含真值的概率为 。 在统计学中，一个点估计量的可靠性由它的标准误来度量。 对回归系数 ，我们试着求出两个正数 ， ，使得随机区间 包含 的概率为 对（4-5）变形得到 由于 ？如何解释置信区间 例1：如果在消费-收入例子中，抽取一个样本后，求得 ， ；在给定 的置信水平下，由于 ， ，可求出其置信区间 的置信区间 4.3假设检验 4.3.1 显著性检验 4.3.2 假设检验中的一些实际操作问题 4.3.1 显著性检验 所谓假设检验，就是事先对总体参数或总体分布形式作出一个假设，然后利用样本信息来判断原假设是否合理，即判断样本信息与原假设是否有显著差异，从而决定是否接受或拒绝原假设。 显著性检验 回归分析是要判断解释变量X是否是被解释变量Y的一个显著性的影响因素。 在前面，我们已经求出 4.3.2 假设检验中的一些实际操作问题 “接受”或“拒绝”原假设的含义 接受 ：根据样本证据，我们还没有理由去拒 绝 ，而不是说原假设是真的 正如一个法庭要宣告某一判决为“无罪”而非“清白”一样，统计检验的结论也应为“不拒绝”而不是“接受” 建立虚拟假设和对立假设 根据我们所研究的现象去确定虚拟假设 研究者要在进行经验研究之前建立这些假 设，不要为维护经验结果而建立某种假设。 显著性水平的选择 犯第一类错误的概率（拒绝了真值的概率） 犯第二类错误的概率（接受了错误假设的概率） 减少犯第一类错误的概率 犯第二类错误的概率增加 我们需要去考察犯这两类错误的代价，困难在于我们往往并不能合理确定出这些代价，因此，应用计量经济学家一般都跟随大多数，把显著性水平 定在1%，5%甚至10%的水平上。 精确的显著性水平： 值 当我们对给定的样本算出一个检验统计量的值时，为什么不去查一下统计表，看看得到从样本得到的检验统计量的确切概率呢？ 这个概率叫 值，也叫精确显著性水平 更专业的说：值被定义为一个虚拟假设可被拒绝的最低显著性水平。 把 固定在某一水平上，并在 时，拒绝原假设。 4.4回归分析的