第三章双变量模型 假设检验..ppt

* 模型预测 数学S.A.T一例 回归分析的目的之一是： 根据解释变量的值 应变量的均值 预测 假定解释变量的值为某一固定值X0 需要估计 注意：严格地说，这只是被解释变量的预测值的估计值，而不是预测值。 原因1：参数估计量不确定 原因2：随机项的影响 * 模型预测 数学S.A.T一例 根据前述（3-46）的回归分析的结果可知，参数估计量是显著的，模型通过了统计检验，可以进行预测。 需要估计该收入下数学分的实际均值 假定家庭年收入值X0=78000 当家庭年收入为78000美元时，预测的数学平均分数为534分。 * ?0是条件均值E(Y|X=X0) 的一个无偏估计 当X=X0时, 可见，?0是条件均值E(Y|X=X0)的无偏估计。 但对于任一给定样本， 是一个估计量， ,两者之差称为预测误差。 为了估计这个误差，需要求出 的抽样分布 一方面 另一方面 * 第四节 模型预测 总体均值预测值的置信区间 由于 可以证明 在1-?的置信度下，总体均值E(Y|X0)的置信区间为： 以 代替 * 总体均值预测值的置信区间 总体均值E(Y|X0)95%的置信区间为： 数学S.A.T一例 若家庭年收入为78000美元，预测的数学平均分数以95%的置信度落在507.9~559.8之间，一个最优估计值为533.8。 （3-55） * 模型预测 总体回归线的置信带 如果对表2-2中的每个X值建立诸如（3-55）的一个95%的置信区间，则可以得到对应于每个家庭年收入水平下的真实数学分数的置信区间或置信带，即总体回归线的置信带。 * 模型预测 总体回归线的置信带 当 时，置信带的宽度最小，在此附近进行预测精度越大 越远离均值，置信带越宽，预测可信度下降 * 五、正态性检验 上述的统计检验过程以误差项服从正态分布为基础 真实的误差项无法直接观察，因此，通过残差来获悉误差项的正态性。检验方法有： 然而，上例中的误差项是否服从正态分布呢？ 残差直方图 雅克-贝拉检验（JB test) 正态概率图 * 回归分析概述 参数估计 模型检验 模型预测 双变量线性回归模型-小结 * 双变量线性回归模型-小结 这两章介绍了回归分析的基本思想与基本方法。从总体回归模型与总体回归函数、样本回归模型和样本回归函数这两组概念开始，建立了回归分析的基本思想。 总体回归函数是对总体变量间关系的定量表述，由总体回归模型若干基本假设下得到，但它只是建立在理论之上，在现实中只能先从总体中抽取一个样本，获得样本回归函数，并用它对总体回归函数做出统计推断。 第三章作业 模仿28页例题(使用中国的经济数据，但不必局限工资和生产率之关系) 不可使用EVIEWS,可使用EXCEL 10月20日之前交EXCEL文件，须包括数据和计算过程 计入平时成绩 各班学位打包统一交到邮箱qspli@126.com * * 43 * * Rejection region does NOT include critical value. * * * * 离差为零 * * * 变量的显著性检验 说明： 在经验分析中，常用的显著性水平 有1%、5%、10%。为了避免选择显著水平的随意性，通常求出P值（精确地显著水平）。如果计算的P值充分小，则拒绝零假设。 计量经计学中，主要是针对变量的参数真值是否为零来进行显著性检验的，以判断X是否对Y具有显著的线性性影响。 即H0： ?1=0 变量的显著性检验 数学S.A.T一例 H0： ?1=0， H1：?1?0 给定显著性水平? ，查临界值：t ?/2(8) 显著性水平 临界值 3.355 2.306 1.860 0.10~10% 0.05~5% 0.01~1% t=5.4354临界值3.355:在1%的显著性水平下拒绝?1=0的零假设。 t=5.4354所对应的P值约为0.0006。说明如果在该P值水平上拒绝零假设，则犯错的概率仅为万分之六。 零假设?1=0为真却被拒 P值：统计量的精确显著水平；拒绝零假设最低的显著水平 双边检验 * 变量的显著性检验 数学S.A.T一例 单边检验 H0： ?1≤0， H1：?10 这是因为预期的收入系数为正 显著性水平 临界值 0.01~1% 0.05~5% 0.10~10% 2.896 1.860 1.397 t=5.4354临界值2.896:在1%的显著性水平下拒绝零假设 给定显著性水平? ，查临界值：t ? (8) 3.6 拟合回归直线的优良程度：判定系数r2The coeffic