一元线性回归模型这new.ppt

* 4、预测分析 2001年：GDPP=4033.1（元）（1990年不变价） 点估计：CONSP2001=201.107+0.3862?4033.1=1758.7(元) 2001年实测的CONSP值（1990年价）为:1782.2元， 预测值的相对误差为: -1.32%。 人均GDP的样本均值为：E(GDPP) =1823.5 人均GDP的样本方差：Var(GDPP)=982.042=964410.4 * ○ 2001年人均居民消费的预测区间 ⑴在95%的置信度下，E(CONSP2001)的预测区间为： =1758.7?40.13 或者： E(CONSP2001)∈（1718.6,1798.8） ⑵同样地，在95%的置信度下，CONSP2001的预测区间为： =1758.7?86.57 或者： CONSP2001∈（1672.1, 1845.3） * 二、时间序列问题 ○上述实例表明，时间序列完全可以进行类似于截面数据的回归分析。然而，在时间序列的回归分析中，有两个需要注意的问题： ⑴⑵⑶⑷⑸⑹⑺⑻ 第一，关于抽样分布的理解问题。 能把表2.5.1中的数据理解为是从某个总体中抽出的一个样本吗？-可以。 第二，关于“伪回归问题”（spurious regression problem）。 可决系数R2，考察被解释变量Y的变化中可由解释变量X的变化所“解释”的部分。这里“解释”能否换为“引起”?-不能。 ○在现实经济问题中，对时间序列数据作回归，即使两个变量间没有任何的实际联系，也往往会得到较高的可决系数，尤其对于具有相同变化趋势（同时上升或下降）的变量，更是如此。这种现象被称为“伪回归”或“虚假回归”。 * 三、线性回归模型评价 １对模型的参数估计，是在样本观测值的基础上进行的，所谓的线性是指未知参数的线性。但是，变量间的关系并不一定总是呈线性的。 ２就解释变量而言，一般是由其他随机方程产生的。因此，在一个未受控制的环境中，因变量通常是由随机变量决定的 ３关于Y，由于解释变量的恰当集合是难以得到的，因此，某些有关变量可能被排除，而无关的变量可能被引用，所以没有估计误差的假设是不存在的。 ４统计模型是建立在一种现实被简化的假设系统之上的，该模型与实际情形不符是难以避免的。同样，要找到一种广泛适应的特殊模型也是不可能的。 ５批判地考察这些回归模型，是希望让你们意识到，什么是已做出的假定，什么是假定下的模型。因此，假设条件、抽样过程与模型分析的一致性就是最为重要的内容。 ** * §2.3 一元线性回归模型的统计检验 一、拟合优度检验 二、变量的显著性检验 三、参数的置信区间 * 说 明 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。 尽管从统计性质上已知，如果有足够多的重复抽样，参数的估计值的期望（均值）就等于其总体的参数真值，但在一次抽样中，估计值不一定就等于该真实值。 那么，在一次抽样中，参数的估计值与真值的差异有多大，是否显著，这就需要进一步进行统计检验。 统计检验主要包括：拟合优度检验、变量的显著性检验及参数的置信区间估计。 * 一、拟合优度检验 ○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。度量拟合程度的指标：判定系数（又称可决系数）R2 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？问题在于，在一个特定的条件下，做的最好的并一定就是质量最高的。所保证的最好拟合，最小二乘估计方法是同一问题内部的比较，拟合优度检验结果所表示的是不同问题间的比较。（不同模型、变量） △ 总离差平方和的分解 △ 可决系数（拟合优度系数） * 1、总离差平方和的分解 ⑴总离差的分解：已知由一组样本观测值（Xi,Yi），i=1,2…,n得到如下样本回归直线： * ⑵总离差平方和的分解：对于所有样本点，则需考虑这些点与样本均值离差的平方和，可以证明： 如果Yi=?i ，即实际观测值落在样本回归“线”上，则拟合最好，可认为 “离差”全部来自回归线，而与“残差”无关。 其中：∑Xi ei =0 则有：∑?i ei =0 ， ∑（?i -Y）ei =0 ， * 记：总体平方和（Total Sum of Squares） 回归平方和（Explained Sum of Squares） 残差平方和（Residual Sum of Squares ） ○TSS=ESS+R