中南大学计量经济学课件-第三章.pptVIP

第三章 经典单方程计量经济学模型:多元线性回归模型 1.多元线性单方程计量经济学模型的理论基础 和参数估计 2.多元线性单方程计量经济学模型的统计检验 多元线性回归模型Introduction to multiple Regression Analysis 1.本章介绍多元线性回归模型。 1)主要内容包括多元线性回归模型的假定条件; 2)最小二乘估计法; 3)评价模型拟合优度的多重确定系数、调整的多重确定系数; 4)对模型回归显著性的F检验，对单个回归参数显著性的t检验以及偏相关、复相关概念。 本章重点掌握的知识是模型的假定条件，用矩阵形式描述最小二乘法估计公式，F检验、t检验的原理与过程，在实际建模过程应该注意的一些问题。学会使用EViews处理多元线性回归模型。 §3.1 多元线性回归模型及其假定条件 §3.2 ? 多元线性回归模型的参数估计 §3.3 ?多元线性回归模型的统计检验 §3.4 ????多元线性回归模型的预测 §3.1 多元线性回归模型及其假定条件 现实生活中引起被解释变量变化的因素并非仅只一个解释变量，可能有很多个解释变量。 例如，产出往往受各种投入要素——资本、劳动、技术等的影响；销售额往往受价格和公司对广告费的投入的影响等。 所以多元线性模型——解释变量个数≥ 2更为常见 1、模型的建立 前一章介绍了一元线性回归模型的建立、估计、检验与预测。在实际经济问题中，有时一个变量不是只受一个而是受多个解释变量影响。这时就需要建立多元回归模型进行研究。假定变量yt与k 个变量xjt, j = 1, … , k – 1，存在线性关系。多元线性回归模型表示为： ★★矩阵形式 §3.2 ? 多元线性回归模型的参数估计 1. 普通最小二乘法(OLS) ?最小二乘 法(OLS)的原理是通过求残差（误差项的估计值）平方和最小确定回归参数估计值。这是求极值问题。用Q表示残差平方和，求其最小值条件下的回归参数的估计值。 ★★最小二乘法的矩阵表示 ★★正规方程的结构 Y ——被解释变量观测值 n x 1 X ——解释变量观测值（含虚拟变量n x (k+1) ） X`X ——设计矩阵（实对称(k+1) x (k+1)矩阵 ） X`Y ——正规方程右端 (k+1) x 1 ——回归系数矩阵 (k+1) x 1 ——高斯乘数矩阵， 设计矩阵的逆 ——残差向量（ n x 1 ） ——被解释变量的拟合（预测）向量 n x 1 2.最小二乘估计量的性质 线性（估计量都是被解释变量观测值的线性组合） 无偏性（估计量的数学期望=被估计的真值） 有效性（估计量的方差是所有线性无偏估计中最小的） 1)　线性 2) 无偏特性 3) 有效性 ★★随机误差项的方差 的估计量 3. 样本容量问题 样本是一个重要的实际问题，模型依赖于实际样本。 获取样本需要成本，企图通过样本容量的确定减轻收集数据的困难。 最小样本容量：满足基本要求的样本容量 样本容量问题 (X`X)-1存在?| X`X |≠0 ? X`X 为k+1阶的满秩阵 R(AB) ≤ min(R(A),R(B)) R(X) ≥ k+1 因此，必须有n≥k+1，此为最小样本容量 ▲满足基本要求的样本容量 一般经验认为： n ≥ 30或者n ≥ 3(k+1)才能满足模型估计的基本要求。 n ≥ 3(k+1)时，t分布才稳定，检验才较为有效 §3.3 ?多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。 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模型整体的显著性检验。 1.拟合优度检验 (1) 总离差平方和的分解 (1)总离差平方和的分解 ★★注意英文缩小的含义 TSS：Total Square Sum / 总离差平方和 RSS： Regression Square Sum / 回归平方和 Residual Square Sum / 残差平方和 ESS Error Square Sum / 误差平方和（残差平方和） Explain Square Sum / 解释平方和（回归平方和） 平方和分解的意义