第6讲 多元回归分析-其他问题.pptVIP

第六讲 多元回归分析：其他问题Multiple Regression Analysis: Further Issues 一、变量的测量单位 二、函数形式 三、拟合优度 四、预测和残差分析 改变变量的测量单位对OLS的影响 有时候，为了解释的方便，我们需要改变自变量或因变量的测量单位 改变自变量或因变量的测量单位不会影响t检验和F检验的结果，也不会改变R2。但是系数的估计值会发生变化，因此在对系数的估计值进行解释时需要格外注意。（参见课本p175-176的例题） 标准化系数 在得到OLS的系数估计值后，由于自变量的测量单位不同，无法比较哪一个自变量的变化对因变量的影响更大，此时可以运用标准化系数（standardized coefficient）或β系数（β coefficient）来比较自变量的相对变化对因变量相对变化的影响 标准化系数 标准化系数 标准化系数 标准化系数 标准化系数 标准化系数 标准化系数 例题6_1：课本p178，例6.1 price:住房价格；nox:空气中氧化亚氮含量； crime：人均犯罪次数；dist:社区距商业中心距离； rooms：平均每套住房的房间数；stratio:学校的生师比 对数函数 为何使用对数函数？ 如果因变量为正数，取对数后常常更接近正态分布 对数函数通常有很好的经济含义（如增长率、弹性） 因变量取对数后会使异方差的程度降低，而且减小了异常值（极端值）对估计的影响 何时使用对数函数？ 大的正整数（如以货币单位计量的变量、人口等） 以百分比或比例计量的变量常常用其水平值，当然也可以取对数 对数函数 对于对数-水平模型（不变增长率模型）的一点说明 对数函数 对于对数-水平模型（不变增长率模型）的一点说明 也就是说，如果自变量的变化幅度很小，可以近似地用在第2讲中的方法度量因变量的百分比变化。但如果自变量的变化幅度较大，就要用使用上面的公式才更为精确（参看课本180的例题） 二次函数 为了描述递增或递减的边际效应，有时采用二次函数形式 例题：课本p184，例6.2 二次函数 例题6_2：工龄收益率 交互项 当某个自变量对因变量的影响取决于另一个自变量的取值时，需要引入这两个自变量的乘积作为一个新的自变量，这个新的自变量称为交互项或交叉项（interaction term） 例如，在讨论学生学习成绩的决定时，家庭背景和学校投入的可能存在交互影响。譬如，如果学生平均的家庭背景较好，那么学校投入对学生成绩的影响会小一些（当然，也有可能会更大一些）。 交互项 例题6_3: 课本p187，例6.3 调整的R2 调整的R2（adjusted R2 ） 调整的R2 为何使用调整的R2？ 增加解释变量肯定使得R2变大，但调整的R2不一定变大，因而在判断是否应加入新的变量时后者更为常用。当然，不能仅仅以调整的R2变大来断定应该加入新变量（详见课本p189-190的讨论），更常用的方法是t检验或F检验 调整的R2 嵌套模型（nested models）和非嵌套模型（nonnested models） 调整的R2 在两个嵌套模型之间选择时可以用F检验。但在两个非嵌套模型之间选择时，无法使用F检验，此时可比较调整的R2 例题6_4（课本p191） 但是如果两个模型的因变量不同，则不能根据拟合优度比较！（参看课本p192，例6.4） 解释变量的选择 如果我们关心某个解释变量x，那么如何决定是否应该加入其他解释变量呢？ 关于无偏性和一致性的讨论表明，如果某些解释变量与x相关，那么应该把这些解释变量包含进来，否则会因遗漏变量导致估计偏误。但是，在某些情况下，加入与x相关的解释变量又是不合适的，会导致控制因素过多（参看课本p192-194的讨论） 如果某些解释变量与x不相关但影响被解释变量，那么在大样本情况下，一般应该将这些解释变量包含进来。因为这样做不影响x的系数估计量的无偏性和一致性，但可以减小回归标准误，使得x的系数估计量的方差变小，提高精确性 请注意，不应该把提高拟合优度作为增加解释变量的目的 预测 给定自变量的取值，估计因变量的期望值，即为预测（prediction） 预测 如果给定的样本点在样本范围之内，预测值即为因变量的拟合值，可用以下方法计算预测值的标准误及置信区间 例题6_5：课本p196，例6.5 预测 如果给定的样本点不在样本范围之内，则预测值的计算方法同上，但标准误和置信区间较大 参看课本p198，例6.6 预测 需要注意的是，给定的自变量的取值越接近其样本均值，得到的预测值的方差越小，因而预测值的估计也越精确。反之，给定的自变量的取值越远离其样本均值，则得到的预测值就越不精确（参看课本p19