计量经济学一元线性回归.ppt

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)，另一部分则来自随机势力(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 3、可决系数R2统计量 是一个非负的统计量。取值范围：[0，1] 越接近1，说明实际观测点离回归线越近，拟合优度越高。 例题2.1 人均鲜蛋需求量Y与人均可支配收入X关系 可决系数: （第2版教材第28页） （第3版教材第25页） (file: li-2-1) 二、变量的显著性检验 Testing Significance of Variable 说明 在一元线性模型中，变量的显著性检验就是判断X是否对Y具有显著的线性性影响。 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。 通过检验变量的参数真值是否为零来实现显著性检验。 1、假设检验（Hypothesis Testing） 所谓假设检验，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”这一原理的。 上堂课内容复习 1.重要概念的区分 回归分析与相关分析； 总体回归线、总体回归函数、总体回归模型 随机扰动项概念及性质 样本回归线、样本回归函数、样本回归模型 一元线性回归模型 回归分析的主要目的：根据样本回归函数SRF，估计总体回归函数PRF。 上堂课内容复习 2.线性回归模型的经典假设（高斯假设） 3.最小二乘法 给定一组样本观测值（Xi, Yi）（i=1,2,…n）要求样本回归函数尽可能好地拟合这组值. 普通最小二乘法（Ordinary least squares, OLS）给出的判断标准是：二者之差的平方和 最小。 2、正规方程组 该关于参数估计量的线性方程组称为正规方程组（normal equations）。 3、参数估计量 求解正规方程组得到结构参数的普通最小二乘估计量（ordinary least squares estimators）及其离差形式： （第2版教材第11页） （第3版教材第9页） 一、线性回归模型的基本假设 （第2版教材第11页） （第3版教材第9页） 同方差 . . x1 x2 E(y|x) = b0 + b1x y f(y|x) 异方差 x x1 x2 y f(y|x) x3 . . . E(y|x) = b0 + b1x 2.2 一元线性回归模型的参数估计 一、案例分析 例题2.1 人均鲜蛋需求量Y与人均可支配收入X关系 OLS估计结果： （第2版教材第17页） （第3版教材第15页） (file: li-2-1) Yt：千克 Xt：元 二、EViews操作 附录1：怎样建立EViews新工作文件。 附录2：怎样用EViews通过键盘输入，复制、粘贴功能 输入数据。 注意： （1）变量命名时，字符不得超过16个。 （2）给变量命名时，避免使用下列名字：ABS，ACOS ， AR， ASIN，C，CON，CNORM， COEF，COS，D，DLOG， DNORM，ELSE，ENDIF，EXP，LOG，LOGIT，LPT1， LPT2，MA，NA，NRND，PDL，RESID，RND，SAR， SIN，SMA，SQR，THEN。 附录3：OLS估计的操作步骤。Quick→Estimate Equation。 对话框中输入 y c x 。OK键。 三、最小二乘估计量的性质 1、概述 当模型参数估计出后，需考虑参数估计值的精度，即是否能代表总体参数的真值，或者说需考察参数估计量的统计性质。 准则： 线性性(linear)，即它是否是另一随机变量的线性函数； 无偏性(unbiased)，即它的均值或期望值是否等于总体的真实值； 有效性(efficient)，即它是否在所有线性无偏估计量中具有最小方差。 这三个准则也称作估计量的小样本性质。拥有这类性质的估计量称为最佳线性无偏估计量（best liner unbiased estimator, BLUE）。 当不满足小样本性质时，需进一步考察估计量的大样本或渐近性质(asymptotic properties)： 渐近无偏性，即样本容量趋于无穷大时，是否它的均值序列趋