二元线性回归模型及参数估计.ppt

* 二元线性回归模型的估计 最简单的多元线性回归模型是二元线性回归模型，即具有一个被解释变量和两个解释变量的线性回归模型： 一、二元线性回归模型的参数估计 1．偏回归系数的估计 所谓偏回归系数，是指多元线性回归模型中解释变量前的系数。其含义是：当其他解释变量保持不变时，某一解释变量变化一个单位而使被解释变量Y平均改变的数值，即某一解释变量对被解释变量Y的影响程度。 达到最小。 要估计二元线性回归模型 i i X i X i Y m b b b + + + = 2 2 1 1 0 中的 参数 0 b 、 1 b 、 2 b ，常用的方法仍然是 普通最小二乘法 。 设根据给定一组样本数据（ Y i ， X 1 i ， X 2 i ）， i =1 ， 2 ，…， n ， 采用普通最小二乘法估计得到的样本回归模型为 i e i X i X i Y + + + = 2 2 ? 1 1 ? 0 ? b b b ，则 参数估计量 0 ? b 、 1 ? b 、 2 ? b 应 该使 残差平方和 根据极值存在的必要条件，应该有 从而得到正规方程组 = = = ? ? ? 0 2 0 1 0 i X i e i X i e i e 二、Beta系数和弹性系数 在多元回归分析中，需要说明各个解释变量的相对重要性，或者比较被解释变量对各个解释变量的敏感性。 然而，偏回归系数与变量的原有计量单位有直接联系，计量单位不同，彼此不能直接比较。 为此，需要引进Beta系数和弹性系数。 1．Beta系数 Beta系数是由偏回归系数转换来的。 其中 可见，Beta系数是用解释变量标准差（SXj）和被解释变量标准差（SY）的比例对估计的偏回归系数进行调整后得到的，其数值与变量的单位无关，因而可以直接比较，用于说明多元回归模型中解释变量的相对重要性。 对于二元线性回归模型，可以按下列公式计算Beta系数： 由于 *