前言--平狄克微观经济学第八版讲义.pptxVIP

附录;在线性回归中，一般的关系表示成如下的形式:;一个例子;估计;最小二乘;作为估计的一个例子，我们回到汽车销售的两变量模型 (A.3)。 最小二乘法拟合的方程结果如下;?;统计检验;?;(A.8);(A.9);拟合优度Goodness of Fit;注意R2很大并不能说明包含在模型中的变量就是理想的。首先，R2随使用的数据类型的变化而变化，时间序列数据一般有向上的增长趋势，因而能够产生比截面数据更高的R2值；其次，背后的经济学原理提供了重要的检验，如果一个关于小麦价格对汽车销售额的回归出现一个很高的R2值，我们就要怀疑模型的可靠性，为什么呢？因为我们的理论告诉我们，小麦价格的变化对汽车销售额只有很小的影响或者根本没有影响。 回归结果的可靠性也依赖于模型的表达形式。当研究一个回归方程时，我们需要考虑哪些因素可能使报告的结果不可信。首先，有没有变量应该出现在模型中，但是却被遗漏了？其次，函数形式是否正确？再次，自变量(比如X)和因变量Y是否还存在其他关系？果真有，X和Y就是双重决定，我们就需要用两个方程而不是一个方程来处理；最后，增减一个或两个数据点，估计的结果是否有明显的变化，即模型是否是稳健的？如果不是，我们需要对它的可信度小心处理，不要过分依赖统计结果。;经济预测;经济预测;为了确定事先预测和事后预测的可靠性，我们采用预测标准误(SEF)。它度量的是样本中所有解释变量都已知时预测误差的标准差。SEF有两个潜在的来源，一是误差项自身，因为在预测时间段内 可能不等于0；二是回归模型中估计的参数值有可能不完全等于真实的参数值。 一个应用是，考虑模型(A.11)中70亿美元的预测标准误，如果样本量足够大，将有95%的概率使得估计的销售额在预测值的1.96个标准误的区间内，95%的置信区间为484亿美元±140亿美元，即344亿美元~624亿美元。 ;现在假定我们想预测未来某年的汽车销售额。这种预测就必须是有条件的，因为我们需要先计算自变量的值，比如，假定我们估计的这些值如下： =200、 =50 000亿美元、 =10%，那么预测值为 =51.1-0.42×200+0.046×50 000-0.84×10%=1 887亿美元。这里的1 887亿美元就是一种事先的条件预测。 因???我们在预测未来，并且在我们研究的阶段解释变量与其均值并不接近，SEF的值为82亿美元，这比前面计算的要稍稍大一点。我们预测的95%的置信区间为1 723亿美元~2 051亿美元。 ;;;