第三章 多元线性回归模型(1).pptVIP

第三章 多元线性回归模型 第一节 模型的建立及其假定条件 第二节 多元线性回归模型的估计 第三节 最小二乘估计量的特性 第四节 可决系数 第五节 显著性检验与置信区间 第六节 预测 第一节 模型的建立及其假定条件 1、多元线性回归模型 2、多元线性回归模型的基本假定 1、多元线性回归模型 多元线性回归模型:表现在线性回归模型中的解释变量有多个。 一般表现形式： 2、多元线性回归模型的基本假定 假设1，解释变量是非随机的或固定的，且各X之间互不相关（无多重共线性）。 假设2，随机误差项具有零均值、同方差及不序列相关性 2、多元线性回归模型的基本假定 第二节 多元线性回归模型的估计 1、参数的最小二乘估计 2、离差形式的最小二乘估计量 3、随机误差项?的方差?的无偏估计 4、最大或然估计* 5、矩估计（Moment Method, MM）* 1、参数的最小二乘估计 对于随机抽取的n组观测值 4、最大或然估计 对于多元线性回归模型 易知 5、矩估计（Moment Method, MM） OLS估计是通过得到一个关于参数估计值的正规方程组 第三节 最小二乘估计量的特性 1、线性性 2、无偏性 3、最小方差性（有效性） 4、高斯-马尔科夫（Gauss-Markov)定理 第三节 最小二乘估计量的特性 在满足基本假设的情况下，其结构参数?的普通最小二乘估计、最大或然估计及矩估计仍具有： 线性性、无偏性、有效性。 同时，随着样本容量增加，参数估计量具有： 渐近无偏性、渐近有效性、一致性。 1、线性性 2、无偏性 4、高斯-马尔科夫定律 如果多元线性回归模型满足基本假定，则最 小二乘估计量 是 的最优线性无偏估计量（Best Linear Unbiased Estimate, 简称为BLUE），也就是说 是所有线性无偏估计量中， 具有最小方差性。 5、样本容量问题 (1)最小样本容量 6、多元线性回归模型的参数估计实例 教材P62 例3.3 参看Eviews 第四节 可决系数 1、总离差平方和的分解公式 2、多元样本可决系数 3、三个平方和的计算公式 4、修正（调整）的可决系数 1、总离差平方和的分解公式 总离差平方和的分解 TSS=RSS+ESS 总体平方和（Total Sum of Squares） 1、总离差平方和的分解公式 1、总离差平方和的分解公式 由于 2、多元样本可决系数 多元样本可决系数 3、三个平方和的计算公式 当样本容量对于30时，我们需要借助于计算机软件来求得TSS,ESS和RSS,但是对于小样本问题我们可以简化计算： TSS= RSS= ESS= 3、三个平方和的计算公式 TSS= ESS= RSS= = 4、修正的可决系数 问题： 在应用过程中发现，如果在模型中增加一个解释变量， R2往往增大（Why?) 这就给人一个错觉：要使得模型拟合得好，只要增加解释变量即可。但是，现实情况往往是，由增加解释变量个数引起的R2的增大与拟合好坏无关，而且，在样本容量一定的情况下，增加解释变量使得待估参数的个数增加，从而损失自度，由估计式 可知，所以R2需调整。 在实际应用中，我们往往希望所建模型的 或 越大越好，但应注意，决定系数只是对模型拟合优度的度量，决定系数越大，只说明列入模型中的解释变量对因变量整体影响程度越大，并非说明模型中各个解释变量对因变量的影响程度显著。在回归分析中，不仅要模型的拟合度高，还要得到总体回归系数的可靠估计量。因此，在选择模型时不能单纯凭决定系数的高低断定模型的优劣，有时为了通盘考虑模型的可靠度及其经济意义可以适当降低对决定系数的要求。 To be continued… 所谓“最小样本容量”，即从最小二乘原理和最大或然原理出发，欲得到参数估计量，不管其质量如何，所要求的样本容量的下限。 样本最小容量必须不少于模型中解释变量的数目（包括常数项）,即 n ? k+1 因为，无多重共线性要求：R(X)=k+1 (2)满足基本要求的样本容量 从统计检验的角度： n?30 时，Z检验才能应用； n-k?8时, t分布较为稳定 一般经验认为: 当n?30或者至少n?3(k+1)时，才能说满足模型估计的基本要求。 模型的良好性质只有在大样本下才能得到理论上的证明 5、样本容量问题 回归平方和（Explained Sum of Squares） 残差平方和（Residual Sum o