第二章 简单线性回归模型.ppt

（一）具有相关关系的变量 举一个例子 身高和体重 人均消费与收入 温度与二氧化碳排放量 房地产价格与地理区位 股票价格与利率 工资与受教育年限 随机误差项主要包括下列因素的影响： 1）在解释变量中被忽略的因素的影响； 2）变量观测值的观测误差的影响； 3）模型关系的设定误差的影响； 4）其它随机因素的影响。 产生并设计随机误差项的主要原因 1）理论的含糊性； 2）数据的欠缺； 3）节省原则 第二节 简单线性回归模型的最小二乘法估计 一元线性回归模型 计量模型：y = b0 + b1x + u, The coefficients b0 , b1是回归系数（regression coefficients）. 1、b0 是常数项 (constant term), 或者截矩项 2、b1 代表解释变量X的边际效果（ marginal effects of the regressor, x）. 也称作斜率参数 b0 , b1被称为回归系数 u 为误差项或扰动项，代表了除了x之外，可以影响y的其他所有因素 Examples  一个简单的工资方程： 工资= b0 + b1 ?教育年限 + u 上述简单工资函数描述了工资和受教育年限，以及其他不可观测因素u之间的关系. b1 衡量的是，在其他因素(包含在误差项u里面）不变的情况下，多接受一年教育，可以增加多少工资。 其他因素包括：劳动力市场经验、内在的能力、目前所从事工作的工龄、职业道德, 以及其他许多因素，包含在u中。 居民消费函数：Y=c+aX1+bX2+随机误差项u 其中，Y代表居民支出；X1代表居民收入；X2代表家庭财富；c是常数，即居民基本消费 此时随机误差项代表的是：GDP、消费者价格指数、工业品价格指数、本币汇率、大宗商品价格指数、房价均值、子女教育费均值等等 我们知道，收入和财富是决定居民支出较为直接的变量，所以我们将其引入模型中，而宏观经济情况和价格水平都是间接影响着居民支出的。如果我们需要更详细全面的模型，那么我们需要引入更多的变量；但引入更多变量的成本也较大，比如多重共线、自相关问题等。 2、关于随机扰动项μ的假定（称高斯假定或经典假定） 异方差 序列自相关 3、关于被解释变量y的假定（2次课) 二、模型估计：普通最小二乘法（OLS） Excel估计 例1（P27） 三、OLS回归的统计性质 1、回归线通过样本均值。 即 2、估计值的均值等于实际观测值的均值。 即 3、剩余项的均值为零。 即 4、应变量估计值与剩余项不相关。 即 5、解释变量X与剩余项e不相关。 即 四、最小二乘估计量的性质 当模型参数估计出后，需考虑参数估计值的精度，即是否能代表总体参数的真值，或者说需考察参数估计量的统计性质。 第三节 经典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 二、变量的显著性检验 回归分析是要判断解释变量X是否是被解释变量Y的一个显著性的影响因素。 在一元线性模型中，就是要判断X是否对Y具有显著的线性性影响。这就需要进行变量的显著性检验。 1、什么是假设检验 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，利用适当的符合某种概率分布的统计量和给定的显著性水平，构造一个小概率事件，通过小概率事件来判断对总体参数的假设是否正确 判断结果合理与否，是基于“小概率事件不易发生”这一原理，小概率事件在一次抽样中不会发生，如果小概率事件发生，说明原假设不正确，就拒绝原假设。 案例分析:中国城市居民消费支出 eviews应用软件中的广义差分法 在Eview/TSP软件包下，广义差分采用了科克伦-奥科特（Cochrane-Orcutt）迭代法估计?。 在解释变量中引入AR(1)、AR(2)、…，即可得到参数和ρ1、ρ2、…的估计值。 其中AR(m)表示随机误差项的m阶自回归。在估计过程中自动完成了ρ1、ρ2、…的迭代。 得，在显著性水平 下，临界值为 ，则 的估计区间是 　　 二、回归系数的区间估计 1、 的方差 已知， 与 的区间估计。