《2第二章一元线性回归模型》-精选·课件.pptVIP

第二章 一元线性回归模型 回归模型的一般描述 最小二乘估计量的统计特性 一元线性回归模型的参数估计 统计显著性检验 预测与控制 案例分析 第一节 回归模型的一般描述 （1）确定性关系或函数关系：变量之间 有唯一确定性的函数关系。其一般表现形式为： 2、回归分析与相关分析 1、有相关关系并不意味着一定有因果关系； 2、回归分析/相关分析研究一个变量对另一个（些）变量的统计依赖关系，但它们并不意味着一定有因果关系。 3、相关分析对称地对待任何（两个）变量，两个变量都被看作是随机的。回归分析对变量的处理方法存在不对称性，即区分应变量（被解释变量）和自变量（解释变量）：前者是随机变量，后者不是。 由于变量间关系的随机性，回归分析关心的是根据解释变量的已知或给定值，考察被解释变量的总体均值，即当解释变量取某个确定值时，与之统计相关的被解释变量所有可能出现的对应值的平均值。 （1）由于不确定因素的影响，对同一收入水平X，不同家庭的消费支出不完全相同； （2）但由于调查的完备性，给定收入水平X的消费支出Y的分布是确定的，即以X的给定值为条件的Y的条件分布（Conditional distribution）是已知的， 如： P(Y=561|X=800）=1/4。 描出散点图发现：随着收入的增加，消费“平均地说”也在增加，且Y的条件均值均落在一根正斜率的直线上。这条直线称为回归线。 第三节 最小二乘估计量的统计特性 线性性 无偏性 有效性（最小方差性） 随机干扰项方差的估计 回归系数的区间估计 第四节 统计显著性检验 一、拟合优度检验 二、变量的显著性检验 回归分析是要通过样本所估计的参数来代替总体的真实参数，或者说是用样本回归线代替总体回归线。 一、拟合优度检验(Goodness of Fit Test) 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。 度量拟合优度的指标：样本决定系数R2 二、变量的显著性检验 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。 在一元线性模型中，就是要判断X是否对Y具有显著的线性性影响。这就需要进行变量的显著性检验。 1、假设检验 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 §2.3 最小二乘估计量的统计特性 当模型参数估计出后，需考虑参数估计值的精度，即 是否能代表总体参数的真值，或者说需考察参数估计量 的统计性质。 一个用于考察总体的估计量，可从如下几个方面考察其 优劣性 （1）线性性，即它是否是另一变量的线性函数； （2）无偏性，即它的均值或期望值是否等于总体的真实值； 3）有效性，即它是否在所有线性无偏估计量中具有最小方差。 这三个准则也称作估计量的小样本性质。 拥有这类性质的估计量称为最佳线性无偏估计量（best liner unbiased estimator, BLUE）。 当不满足小样本性质时，需进一步考察估计量的大样本或渐近性质： 高斯—马尔可夫定理(Gauss-Markov theorem) 在给定经典线性回归的假定下，最小二乘估计量是具有最小方差的线性无偏估计量。 证： 易知 故 同样地，容易得出 （2）证明最小方差性 其中，ci=ki+di，di为不全为零的常数 则容易证明 普通最小二乘估计量（ordinary least Squares Estimators）称为最佳线性无偏估计量（best linear unbiased estimator, BLUE） 由于最小二乘估计量拥有一个“好”的估计量所应具备的小样本特性，它自然也拥有大样本特性。 4、随机干扰项方差的估计 ?2又称为总体方差。 由于随机项?i不可观测，只能从?i的估计——残差 ei出发，对总体方差进行估计。 可以证明，?2的最小二乘估计量为 它是关于?2的无偏估计量。 5、回归系数的区间估计 为了反映回归系数的估计精度，需给出其区间估计，即在置信水平为 下的置信区间。置信区间长度越短，说明估计值 与参数 和 就越接近，估计