计量经济学 3.2 拟合优度指标决定系数.pptVIP

回归分析是要通过样本所估计的参数来代替总体的真实参数，或者说是用样本回归线代替总体回归线。 一元线性回归模型的统计检验 §3.2 拟合优度指标：决定系数R2 §3.3 变量之间线性关系的显著性检验 §3.4 回归参数的显著性检验 §3.5 残差图分析 §3.2 拟合优度指标:决定系数R2 一、总离差平方和的分解 二、可决定系数R2 统计量 一、总离差平方和的分解 二、决定系数R2统计量 由离差平方和的表达式可以看出，RSS越小，ESS越接近TSS。 一般来说，0≤R2≤1。 决定系数R2与样本相关系数r2是两个完全不同的概念。 相关系数反映的是变量之间线性关系的强弱程度，可正可负； 而决定系数R2反映的是回归方程的拟合程度，是一个比例关系，只能是非负的。 * 尽管从统计性质上已知，如果有足够多的重复抽样，参数的估计值的期望（均值）就等于其总体的参数真值，但在一次抽样中，估计值不一定就等于该真值。 那么，在一次抽样中，参数的估计值与真值的差异有多大，是否显著，这就需要进一步进行统计检验。 主要包括拟合优度检验、变量之间线性关系的显著性检验以及参数的显著性检验。 拟合优度检验，顾名思义，是检验模型对样本观测值的拟合程度。 检验的方法： （1）构造一个可以表征拟合程度的指标，在 这里称为统计量，他是样本的函数； （2）从检验对象中计算出该统计量的数值；（3）与某一标准进行比较，得出检验结论。 什么是拟合优度检验? 问题1：采用普通最小二乘法，已经保证了模型最好的拟合了样本观测值，为什么还要检验拟合程度呢？ 问题在于，在一个特定的条件下做的最好的不一定就是高质量的。 普通最小二乘法保证的最好拟合，是同一个问题内部的比较；拟合优度检验结果所表示的优劣是不同问题之间的比较。 例如，我们可以看下面两个图的比较： （a） （b） OLS法样本回归直线 图(a)与图(b)中直线方程都是由散点表示的样本观测值的最小二乘估计结果，对于每个问题他们都满足残差平方和最小，但是二者对样本观测值的拟合程度显然是不同的。 拟合优度被定义为被解释变量Y的变异有多大程度可以用解释变量X来解释。解释的程度越高，拟合优度越好。 为了更清楚地看到这一点，我们把被解释变量Y的变异进行分解。 如何描述拟合优度？ 图3.5 总离差的分解示意图 对上式两边分别求平方和，得到总离差平方和的表达式： 总离差平方和 从而有： TSS=ESS+RSS 即： 总离差平方和=回归平方和+残差平方和 可以证明： 其中: 总离差平方和（Total Sum of Squares） 反映样本观测值总体离差的大小。 回归平方和（Explained Sum of Squares） 反映由模型中解释变量所解释的那部分离差的大小。 残差平方和（Residual Sum of Squares ） 反映由样本观测值与估计值偏离的大小，也是模型中解释变量未解释的那部分离差的大小。 TSS = ESS + RSS Y的观测值围绕其均值的总离差(TSS)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的总离差平方和TSS 问题2：既然RSS反映样本观测值与估计值偏离的大小，可否直接用它作为拟合优度检验的统计量？ 这里提出了一个普遍的问题，即作为检验统计量的一般应该是相对量。因为用绝对量作为检验的统计量，无法设置标准。 而且，在这里残差平方和与样本容量关系很大，当n比较小时，它的值也较小，但不能因此而判断模型的拟合优度就好。 称 R2 为决定系数/判定系数（coefficient of determination)。 记 上式反映了总离差平方和中有多大比例可由解释变量来解释，他测度了Y的总离差中由回归模型解释的那个部分所占的比例。 解释程度越高，ESS越大，R2越接近于1，拟合 程度越好。 （1）当 0R21 时，Y的总离差由两部分来解释：由解释变量解释的部分占ESS/TSS，而由随机误差解释的部分占RSS/TSS； （2）当 R2=1 时，所有的实际点都落到回归直线上，此时Y的总离差完全被回归模型所解释，此时样本点得到了完全拟合； （3）当 R2=0 时，表示解释变量X并没有解释Y的总离差，Y的总离差完全