第3章 非线性归与含特殊变量的回归预测法.pptVIP

第3章 非线性回归与含特殊变量的回归预测法 学习目标 了解：非线性回归、含特殊变量的回归模型的一般形式 理解：可线性化的非线性回归的形式变换、不可线性化的参数估计方法。 掌握：应用Excel、SPSS、Eviews软件进行非线性趋势预测和有特殊变量的回归预测。 内 容 3.1 可化为线性的回归模型 3.2 不可化为线性的回归模型 3.3 非线性回归应用的几个问题 3.4 含特殊变量的回归模型 3.1 可化为线性的回归模型 一、非线性回归模型的直接代换 1. 多项式函数模型 形如 的模型为多项式模型。 令 ， 原模型可化为线性形式 即可利用线性回归分析的方法处理了。 3.1 可化为线性的回归模型 2. 双曲线模型 形如 的模型为双曲线模型。 令 原模型可化为线性形式 即可利用线性回归分析的方法处理了。 3.1 可化为线性的回归模型 3. 半对数函数模型和双对数函数模型 形如 和 的模型为半对数函数模型，形如 的模型为双对数函数模型。 令 原模型可化为线性形式 即可利用线性回归分析的方法处理了。 3.1 可化为线性的回归模型 二、非线性模型的间接代换 1. 一般形式 形如 的指数模型，可间接转化成线性形 式， 之后可以采用前述代换的形式建立模型。 2. 著名的柯布——道格拉斯（Cobb—Douglas）生产函数 就是其中的一个典型。 3.2 不可转换成线性的趋势模型 一、不可线性化模型 不可线性化模型：无论采取什么方式变换都不可能实现线性化的模型。 常用的处理方法：一般采用高斯一牛顿迭代法进行参数估计，即借助于泰勒级数展开式进行逐次的线性近似估计。 3.2 不可转换成线性的趋势模型 二、迭代估计法 基本思路是： 通过泰勒级数展开使非线性方程在某一组初始参数估计值附近线性化； 然后对这一线性方程应用OLS法，得出一组新的参数估计值； 使非线性方程在新参数估计值附近线性化，对新的线性方程再应用OLS法，又得出一组新的参数估计值； 不断重复上述过程，直至参数估计值收敛时为止。 3.2 不可转换成线性的趋势模型 三、迭代估计法的Eviews软件实现 ⒈ 设定代估参数的初始值，可采用以下两种方式： （1）使用param命令。命令格式为param 初始值1 初始值2 初始值3 …… （2）在工作文件窗口双击序列C，并在序列窗口中直接输入参数的初始值（注意序列C中总是保留着刚建立模型的参数估计值，若不重新设定，系统自动将这些值作为参数的默认初始值）。 3.2 不可转换成线性的趋势模型 ⒉ 估计非线性模型 （1）命令方式 在命令窗口直接键入:NLS 非线性函数表达式 例如，对于非线性模型 ，其估计命令格式为 NLS y=c(1)*k^c(2)*L^c(3) 其中， c(1)、c(2)、c(3)表示待估计的三个参数A、 、 。 回车后，系统会自动给出迭代估计的参数估计值。 （2）菜单方式 在数组窗口，点击Procs→Make Equation，在弹出的方程描述对话框中，输入非线性函数表达式：y=c(1)*k^c(2)*L^c(3)。 选择估计方法为最小二乘法后，点击OK按钮。 3.2 不可转换成线性的趋势模型 几点说明： （1）在方程描述对话框中，点击Option按钮，可以设置迭代估计的最大迭代次数（Max Iteration）和误差精度（Convergence），以便控制迭代估计的收敛过程。 （2）利用NLS命令也可估计可划为线性的非线性回归模型。例如 NLS y=c(1)+c(2)/x NLS y=c(1)+c(2)*ln(x) （3）迭代估计是一种近似估计，并且参数初始值和误差精度的设定不当还会直接影响模型的估计结果，甚至出现错误。 3.3 非线性曲线应用的几个问题 一、非线性模型应注意的几个问题 ⒈ 对非线性模型来说： （1）不能从回归残差中得出随机项方差 的无偏估计量。 （2）由于非线性模型中的参数估计量同随机项不成线性关系，所以它们不服从正态分布，其结果使得t检验和F检验都不适用。 ⒉ 可以用来预测未来某个时期的因变量值 ，由于 已经不再是随机项的线性