多元线性回归方法与应用实例.pptVIP

3.1.2 判定系数 判定系数的定义： 意义：判定系数越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比高。观察点在回归直线附近越密集。 取值范围：0-1 3.1.3 校正判定系数 为什么要校正？ 判定系数随解释变量个数的增加而增大。易造成错觉：要模型拟合得越好，就应增加解释变量。然而增加解释变量会降低自由度，减少可用的样本数。并且有时增加解释变量是不必要的。 导致解释变量个数不同模型之间对比困难。 判定系数只涉及平方和，没有考虑自由度。 校正思路： 引进自由度校正所计算的平方和。 校正判定系数 （续） 3.2 回归参数的显著性检验 —— t－检验 以下给出t-检验的具体过程 3.3 回归方程的显著性检验 ——（F－检验） 回归系数的t－检验，检验了各个解释变量Xj单独对应变量Y是否显著；我们还需要检验：所有解释变量联合在一起，是否对应变量Y也显著？ 这即是下面所要进行的F-检验。 3.3.1 方差分析表 以下用表格的形式列出平方和、自由度、方差 平方和 来源 平方和 自由度 均方和 源于回归 K-1 源于残差 n-k 总平方和 n-1 3.3.2 F－检验（单侧检验） 3.4 各种检验之间的关系 3.4.1 经济意义检验和其他检验的关系联系： 判断一个回归模型是否正确，首先要看模型是否具有合理的经济意义，其次才是统计检验。 3.4.2 拟合优度和F－检验的关系 （1）都是对回归方程的显著性检验； （2）都是把总平方和分解，以构成统计量进行检验； （3）两者同增同减，具有一致性。 拟合优度和F－检验的关系（续） 区别： （1）F－检验中使用的统计量有精确的分布，而拟合优度检验没有； （2）对是否通过检验，判定系数（校正判定系数）只能给出一个模糊的推测；而F检验可以在给定显著水平下，给出统计上的严格结论； 3.4.2 F－检验和t－检验的关系 在一元的情形，两者是一致的，等价的。对单个解释变量显著性进行t检验，也就检验了解释变量的整体显著性（F检验）；并且可以证明：F＝t2 （所以在一元情形，只需要进行一种检验） 多元中，不存在以上关系。 回归模型假设检验的步骤 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。 3.5多元线性回归模型的预测 举例：新股发行抑价的实证研究 希望提出指导与建议 主要内容 多元线性回归模型的一般形式 参数估计（ OLS估计） 假设检验 预测 一. 多元线性回归模型 问题的提出 解析形式 矩阵形式 问题的提出 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。 所以在一元线性模型的基础上，提出多元线性模型——解释变量个数≥ 2 多元线性回归模型的假设 解释变量 Xi 是确定性变量，不是随机变量；解释变量之间互不相关，即无多重共线性。 随机误差项具有0均值和同方差 随机误差项不存在序列相关关系 随机误差项与解释变量之间不相关 随机误差项服从0均值、同方差的正态分布 多元模型的解析表达式 多元模型的矩阵表达式 矩阵形式 二. 参数估计(OLS) 参数值估计 参数估计量的性质 偏回归系数的含义 正规方程 样本容量问题 1.参数值估计(OLS) 得到下列方程组 求参数估计值的实质是求一个k+1元方程组 正规方程 变成矩阵形式 正规方程 矩阵形式 最小二乘法的矩阵表示 2.1最小二乘估计量的性质 （1）线性（估计量都是被解释变量观测值的线性组合） （2）无偏性（估计量的数学期望=被估计的真值） （3）有效性（估计量的方差是所有线性无偏估计中最小的） OLS估计量的性质（续） 线性 无偏性 有效性 2.2 OLS回归线的性质 完全同一元情形： 2.3 随机扰动项方差的估计 注解：k与k+1 凡是按解释变量的个数为k的，那么共有k+1个参数要估计。而按参数个数为k的，则实际有k-1个解释变量。总之两者相差1而已！要小心所用的k是什么意思！ 所以如果本来是用解释变量个数的k表示的要转换成参数个数的k则用k-1代换原来的k就可以了！ 3.偏回归系数的意义 多元回归模型中的回归系数称为偏回归系