多元线性模型统计检验.pptVIP

例题中，给定显著性水平α=5%，参数β1和β2的置信区间分别为(0.3685, 0.6045 )和(0.3882, 0.8153) 。 如何陈述模型估计结果？ 城镇居民工资收入的边际消费倾向为0.4865。错！ 城镇居民工资收入的边际消费倾向以95%的概率处于(0.3685, 0.6045 )的区间中。正确！ * §3.3 多元线性回归模型的统计检验 Statistical Test of Multiple Linear Regression Model 一、拟合优度检验 二、方程的显著性检验(F检验) 三、变量的显著性检验（t检验） 四、参数的置信区间 一、拟合优度检验 Goodness of Fit 1、概念 拟合优度检验：对样本回归直线与样本观测值之间拟合程度的检验。 问题：采用普通最小二乘估计方法，已经保证了模型最好地拟合了样本观测值，为什么还要检验拟合程度？ 如何检验：构造统计量 统计量只能是相对量 2、可决系数与调整的可决系数 总离差平方和的分解 证明： 该项等于0 可决系数（ Coefficient of Determination ） 该统计量越接近于1，模型的拟合优度越高。 从R2的表达式中发现，如果在模型中增加解释变量， R2往往增大。 这就给人一个错觉：要使得模型拟合得好，只要增加解释变量即可。 但是，由增加解释变量引起的R2的增大与拟合好坏无关，所以R2需调整。 调整的可决系数（adjusted coefficient of determination） 其中：n-k-1为残差平方和的自由度，n-1为总体平方和的自由度。 调整的可决系数多大才是合适的？ 3、赤池信息准则和施瓦茨准则 为了比较所含解释变量个数不同的多元回归模型的拟合优度，常用的标准还有: 赤池信息准则（Akaike information criterion, AIC） 施瓦茨准则（Schwarz criterion，SC） 这两准则均要求仅当所增加的解释变量能够减少AIC值或SC值时才在原模型中增加该解释变量。 地区城镇居民消费模型（k=2） 二、方程的显著性检验(F检验)Testing the Overall Significance of a Multiple Regression (the F test) 1、假设检验（Hypothesis Testing） 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否定原假设。 假设检验采用的逻辑推理方法是反证法。先假定原假设正确，然后根据样本信息，观察由此假设而导致的结果是否合理，从而判断是否接受原假设。 判断结果合理与否，是基于“小概率事件不易发生”这一原理的。 2、方程显著性的F检验 方程的显著性检验，旨在对模型中被解释变量与解释变量之间的线性关系在总体上是否显著成立作出推断。 在多元模型中，即检验模型中的参数?j是否显著不为0。 F检验的思想来自于总离差平方和的分解式 TSS=ESS+RSS 如果这个比值较大，则X的联合体对Y的解释程度高，可认为总体存在线性关系，反之总体上可能不存在线性关系。 因此,可通过该比值的大小对总体线性关系进行推断。 在原假设H0成立的条件下，统计量 给定显著性水平?，可得到临界值F?(k,n-k-1)，由样本求出统计量F的数值，通过 F? F?(k,n-k-1) 或 F?F?(k,n-k-1) 来拒绝或接受原假设H0，以判定原方程总体上的线性关系是否显著成立。 地区城镇居民消费模型 伴随概率：拒绝0假设，犯错误的概率为0 3、关于拟合优度检验与方程显著性检验关系的讨论 对于一般的实际问题，在5%的显著性水平下，F统计量的临界值所对应的R2的水平是较低的。所以，不宜过分注重R2值，应注重模型的经济意义；在进行总体显著性检验时，显著性水平应该控制在5%以内。 三、变量的显著性检验（t检验） Testing the Significance of Variables (the t test) 方程的总体线性关系显著不等于每个解释变量对被解释变量的影响都是显著的。 必须对每个解释变量进行显著性检验，以决定是否作为解释变量被保留在模型中。 这一检验是由对变量的 t 检验完成的。 1、t统计量 以cii表示矩阵(X’X)-1 主对角线上的第i个元素 2、t检验 设计原假设与备择假设： H1：?i?0 给定显著性水平?，可得到临界值t?/2(n-k-1)，