第三章-两变量线性回归课件.pptVIP

二、最小二乘估计的均值和无偏性 定义：参数估计量的均值就是真实值： b的无偏性的证明 * a的无偏性同理可证。 意义：参数估计量是以参数真实值为分布中心的随机变量，反复抽样估计可得真实值。这是重要的分布性质，是推断分析的基础。 因为同时具有线性性和无偏性，因此最小二乘估计量是线性无偏估计量。 * 三、最小二乘估计的方差和最小方差性 在参数估计是无偏估计、线性无偏估计的基础上，方差较小的则意味着参数估计的精确程度较高，统计推断的效果也较好。 b的方差： a的方差： * 在所有可能的线性无偏估计中，最小二乘估计a和b的方差最小。 这个性质称为最小方差性，也称为有效性。 最小二乘估计是参数真实值的最小方差线性无偏估计，也称为最优线性无偏估计或BLUE估计。 * 四、最小二乘估计的一致性 定义：参数估计量的概率极限等于参数真实值。 意义：属于大样本性质。保证增加样本容量可以逼近参数真实值。 最小二乘估计在模型假设下是一致估计。 * 第四节 回归拟合度评价和决定系数 一、拟合度评价的意义 二、离差分解和决定系数 * 一、拟合度评价的意义 评价回归分析、参数估计优劣的根本标准，是回归直线对样本数据的吻合程度，也称为“拟合度”或“回归拟合度”。 回归拟合度是判断和检验参数估计方法的方法之一。 回归拟合度也是检验模型变量关系真实性，判断模型假设是否成立的重要方法。 * 二、离差分解和决定系数 残差平方和不适用作为拟合度的评价指标。 用Y 的离差被回归值或X 的离差决定的程度作为评价拟合度的标准。 离差分解 SST = SSR + SSE （式3－3）。 * 1、离差分解 总离差平方和 SST= ＝ 其中 ＝ 称为“回归平方和”，记为SSR 。 残差平方和 记为SSE。 + * （3-3）式表明被解释变量Y的离差平方和可以分解为两部分，一部分是回归平方和，另一部分则是残差平方和。 前一部分SSR相对后一部分SSE越大，说明回归拟合程度越好，Y与X之间的线性决定关系越明显。 * 2、决定系数 为了突出这几部分之间的相对关系，将（3-3）式两边同除以SST 得到： 1= + 式中的 正是反映解释变量（或回归直线）对被解释变量决定程度的指标，称为“决定系数”，通常用R 表示。 * R 的数值在0到1之间，是一个相对比重指标，可以避免样本数量和样本数值、单位的影响，因此在不同模型和不同样本的回归分析中具有可比性，是比残差平方和更合理的回归拟合度指标。 * 第五节 统计推断 一、最小二乘估计的分布和标准化 二、误差项方差的估计 三、参数的置信区间和假设检验 * 一、最小二乘估计的分布和标准化 线性回归模型的统计推断需要以参数估计量的概率分布为基础。 根据对最小二乘估计量性质的分析，已知最小二乘估计量服从以参数真实值为中心，以误差项方差的一个比例为方差的正态分布。 * * 。。 * 。。 第三章 两变量线性回归 * 本章主要内容 第一节 两变量线性回归模型 第二节 参数估计 第三节 最小二乘估计量的性质 第四节 回归拟合度评价和决定系数 第五节 统计推断 第六节 预测 * 引言 本章介绍两变量线性回归分析。两变量线性回归分析的对象是两变量单向因果关系，模型的核心是两变量线性函数，分析方法是回归分析。两变量线性回归分析是经典计量经济分析的基础，掌握两变量线性回归分析的原理和技术，对进一步学习多元回归和其他计量经济分析方法都有帮助。 * 第一节 两变量线性回归模型 一、模型的建立 二、模型的假设 * 一、模型的建立 变量和函数式 变量关系的随机性 * 变量和函数式 两变量线性因果关系：Y = ? + ? X Y——被解释变量 X——解释变量 ?、?——待定参数 * 1、模型根据： （1）研究问题的需要； （2）经济理论和观点； （3）利用经验和数据分布情况； （4）非线性函数和线性变换。 * 2、例子： （1）上海经济消费函数研究 P66； （2）科布—道格拉斯生产函数 P68； * 例3-1 上海经济的消费规律研究 年份 可支配收入 Y 消费性支出CC 年份 可支配收入 Y 消费性支出C 1981 637 585 1992 3009 2509 1982 659 576 1993 4277 3530 1983 686 615 1994 5868 4669 1984 834 726 1995 7172 5868 1985 1075