计量经济学第4章.pptVIP

Introductory Econometrics for Finance Copyright 2002, Chris Brooks 计量经济学 第 4 章 一元线性回归模型的统计检验 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。 样本是一次抽样取得的，很难能够收集到总体。 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。 统计检验的方法主要有 拟合优度检验 置信区间检验 t检验 F检验（下一章） 4.1 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。 度量拟合优度的指标：判定系数（可决系数）R2 关于R2的说明 4.2 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。 回归的参数是否是可靠的 如果有多个变量，那个自变量应该进入，而哪个变量应该剥离 4.2.1 假设检验 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”的原理 一次抽样中，尽然不能支持原假设，也就是举反例否决。 确定拒绝域 4.3 参数的置信区间检验法 如果我们能够以5%以及以上的显著性水平拒绝某个检验的零假设，则称这个检验在统计上是显著的。 意思是：回归参数明显不是“零假设” T检验和置信区间检验的结论是一致的。 4.3 参数的置信区间检验法 这2种方法可以得到相同的结论。 在显著性检验中，我们在下面的情况下不拒绝零假设 H0 ： ? = ?* ，即统计量落在非拒绝域内， 整理，得 这样就回到了置信区间方法。 课后练习 下面数据是依据10组X和Y的观察值得到的： 上机练习：汽车零售额 从课件系统下载“汽车零售额”数据 对数据进行描述性统计 建立GWY（收入总水平）来解释（GCDAN）汽车零售额的回归方程 对回归结果进行检验 显著性检验 置信区间检验 拟合优度检验：原假设参数为0 若将截距项的原假设设置为10，斜率系数设置为0.05，请在99%置信水平下对其进行参数检验。 进行无截距项的回归并进行参数检验，将该回归结果与带截距项的回归结果进行比较，请说明你最终愿意用哪个方程进行回归。 * * 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？ 普通最小二乘法所保证的最好拟合，是同一个问题内部的比较，拟合优度检验结果所表示的优劣是不同问题之间的比较。两个同样满足最小二乘原则的模型，对样本观测值的拟合程度不一定相同。 4.1.1 总离差平方和的分解 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 如果Yi=?i 即实际观测值落在样本回归“线”上，则拟合最好。 这时，“离差”全部来自回归线，而与“残差”无关。 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： 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 ） 要证明 只要证明 由于 所以 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)，另一部分则来自残差平方和(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） 4.1.2 可决系数R2统计量 称 R2 为（样本）可决系数/判定系数（coefficient of determination)。 可决系数的取值范围：[0，1] R2越接近1，说明实际观测点离样本线越近，拟合优度越高。 在收入-消费支出例中， 注：可决系数是一个非负的统计量。它也是随着抽样的不同而不同，通过可决系数可以决定哪次抽样在同样采用最小二乘估计的条件下，更能说明问题。 证明：可决系数是Y与X相关系数的平方！ 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。 计量经计学中