中南大学计量经济学幻灯片-第三章.pptVIP

平方和分解的意义 TSS=RSS+ESS 被解释变量Y总的变动（差异）= 解释变量X引起的变动（差异） + 除X以外的因素引起的变动（差异） 如果X引起的变动在Y的总变动中占很大比例，那么X很好地解释了Y；否则，X不能很好地解释Y。 (2)样本可决系数 样本可决系数是拟合优度评价的最重要指标，残差的标准差也能作为拟合优度评价的参考指标 样本可决系数（The coefficient of Determination）R2 随机项μ的方差σ2的最小二乘估计量 ★★相关系数 计算方法与样本决定系数一样 含义有所不同： 样本可决系数是判断回归方程与样本观测值拟合优度的一个数量指标，隐含的前提条件是X和Y具有因果关系 相关系数是判断两个随机变量线性相关的密切程度，不考虑因果关系。 (3)调整的可决系数(adjusted coefficient of detemination) 增加解释变量时，很可能增加R2，容易引起错觉，认为只要在回归模型中增加解释变量就可以了，因此考虑对R2进行修正 思考：调整的可决系数能否为负？如果为负，说明什么问题？ ★★注意TSS、ESS、RSS的自由度 TSS(离差平方和): n-1 RSS(残差平方和):n-k-1 ESS(回归平方和):k = n-1 ★★赤池信息准则和施瓦茨准则 为了比较所含解释变量个数不同的多元回归模型的拟合优度,常用的标准还有赤池信息准则和施瓦茨准则 赤池信息准则的定义为: AIC = ln( e’e/n) +[2(k+1)]/n 施瓦茨准则的定义为: SC = ln( e’e/n) +(k/n)ln n 上面的两个准则均要求仅当所增加的解释变量能够减少AIC和SC的值时,才允许在模型中增加该解释变量 4.方程整体线性的显著性检验(F检验) 检验估计的回归方程作为一个整体的统计显著性 5.参数估计量的t检验 检验回归方程中每个解释变量的统计显著性 ★★参数的置信区间 容易推出：在(1-?)的置信水平下?i的置信区间是 其中，t?/2为显著性水平为? 、自由度为n-k-1的t分布的临界值。 ★★回归模型统计检验的步骤 (1) 查看拟合优度，进行F检验，从整体上判断回归方程是否成立，如果F检验通不过，无须进行下一步；否则进行下一步 查看各个变量的t值及其相应的概率，进行t检验，如果相应的概率小于给定的显著水平，该自变量的系数显著地不为0，该自变量对因变量作用显著；否则系数与0无显著差异（本质上=0），该自变量对因变量无显著的作用，应从方程中删去，重新估计方程。 ★★ 但是，一次只能将最不显著（相应概率最大）的删除。每次删除一个，直至全部显著。 §3.4 ????多元线性回归模型的预测 对于方程 给定样本以外的解释变量的观测值X0=(1,X01,X02,…,X0k)，可以得到被解释变量的预测值： 它可以是总体均值E(Y0)或个值Y0的预测。 但严格地说，这只是被解释变量的预测值的估计值，而不是预测值。 为了进行科学预测，还需求出预测值的置信区间，包括E(Y0)和Y0的置信区间。 1. E(Y0)的置信区间 易知 ) ( ) ? ( ) ? ( ) ? ( 0 0 Y E E E Y E = = = = B X B X B X 0 0 0 容易证明 于是，得到(1-?)的置信水平下E(Y0)的置信区间： 其中，t?/2为(1-?)的置信水平下的临界值。 ) , ( ~ ? 0 2 0 X X) X ( X B X 1 0 0 ￠ ￠ - s N Y 2. Y0的置信区间 如果已经知道实际的预测值Y0，那么预测误差为： 容易证明 0 ) ) ( ( )) ? ( ( ) ? ( ) ( 1 0 0 0 0 0 0 0 0 = ￠ ￠ - = - - = - + = - μ X X X X B B X B X B X m m m E E E e E e0服从正态分布，即 构造t统计量 可得给定(1-?)的置信水平下Y0的置信区间： §3.5 ?极大似然估计(Maximum Likelihood) 极大似然估计 基本原理：当从模型总体随机抽取容量为n的一组样本观测值后，最合理的参数估计量应该使得从模型中抽取该组样本观测值的概率最大。 在满足基本假设条件下，对一元线性回归模型： 随机抽取容量为n的一组样本观测值后（Xi, Yi）（i=1,2,…n）。假如模型的参数估计量已经求得，为 那么Yi服从如下的正态分布： 于是，Y的概率函数为: （i=1,2,…n） 因为Yi是相互独立的，所以的所有样本观测值的联合概率，也即似然函数(likelihood function)为： 将该似然函数极大化，即可求得到模型参数的极大似然估计量。