一元回值归模型.pptVIP

1 2 2011.9.27 10.10 在例2.2.1中 可支配收入同消费之间的关系 §2.6 实例及时间序列问题 说明 本节列举了两个一元线性回归模型实例，完成了建立模型、估计参数、统计检验和预测的过程。 适合于课堂演示或者由学生在计算机上完成。 从理论上讲，经典线性回归模型理论是以随机抽样的截面数据或者平稳的时间序列数据为基础的。对于非平稳时间序列数据，存在理论方法方面的障碍。如何处理？本书第8章将专门讨论。在2—7章中大量采用非平稳时间序列数据作为实例，暂时不考虑理论方法方面的障碍。 于是，在1-?的置信度下，总体均值E(Y|X0)的置信区间为 2、总体个值预测值的预测区间 从而在1-?的置信度下，Y0的置信区间为 3、例题—收入-消费支出 样本回归函数为 则在 X0=1000处，?0 = 142.4+0.670×1000=812.4 因此，总体均值E(Y|X=1000)的95%的置信区间为： （ 812.4－2.306?27.6，812.4+2.306?27.6） （748.8, 875.9） 同样地，对于Y在X=1000的个体值，其95%的置信区间为： （812.4 - 2.306?59.1，812.4 + 2.306?59.1） (676.1, 948.7) 在最大或然估计法中，求解似然方程： ?2的最大或然估计量不具无偏性，但却具有一致性。 §2.4 一元线性回归模型的统计检验Statistical Test of Simple Linear Regression Model 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。 主要包括拟合优度检验、变量的显著性检验及参数的区间估计。 一、拟合优度检验Goodness of Fit, Coefficient of Determination 1、回答一个问题 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？ 2、总离差平方和的分解 Y的i个观测值与样本均值的离差 由回归直线解释的部分 回归直线不能解释的部分 离差分解为两部分之和 对于所有样本点，则需考虑离差的平方和： 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+RSS Y的观测值围绕其均值的总离差(total variation)可分解为两部分：一部分来自回归线(ESS)，另一部分则来自随机势力(RSS)。 在给定样本中，TSS不变， 如果实际观测点离样本回归线越近，则ESS在TSS中占的比重越大，因此 拟合优度：回归平方和ESS/Y的总离差TSS 3、可决系数R2统计量 是一个非负的统计量。取值范围：[0，1] 越接近1，说明实际观测点离回归线越近，拟合优度越高。 随着抽样的不同而不同。为此，对可决系数的统计可靠性也应进行检验，这将在第3章中进行。 二、变量的显著性检验 Testing Significance of Variable 说明 在一元线性模型中，变量的显著性检验就是判断X是否对Y具有显著的线性性影响。 变量的显著性检验所应用的方法是数理统计学中的假设检验。 通过检验变量的参数真值是否为零来实现显著性检验。 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、变量的显著性检验—t检验 用σ2的估计量代替，构造t统计量 对总体参数提出假设：H0：?1=0，H1：?1?0 由样本计算t统计量值； 给定显著性水平(level o