Fmath-4朱家祥北大计量经济学课程.pptVIP

1 建立计量模型 A 选定变量- 由研究的目的決定应变量(dependent variable)。例如: 房地产景气模型。选择变量來体現房地产景气。房地产售价指数? 新屋開工数量? 选择一应变量分析?单一方程式模型 选择多应变量分析?联立方程式模型 解释变量 Explanatory variable 经济理论、直观猜测、研究经验、決定了解释变数。 使用多少解释变数? 以精简为原则。 滥用解释变数是数据挖掘(data mining)，結果通常是低劣的预测能力。 “超过5个解释变数的模型全是垃圾” B 变量之间的函数关系 Y=f(X) Y=应变数，X=解释变数 f? Y和X间真正的函数关系为何? 经济理论少有帮助! f 的设定以简单为出发点。反正f恒为未知，简单的模型会错，复杂的也不一定对，简单的错，复杂的错，都是错! 线性模型 “简单的模型可以說几乎全是错误的; 然而复杂的模型卻是毫无用处!” 干脆… Y=a+bX 放几个X? 可討论 如此简单的函数? 有用就行! 什么是有用? 预测准确! C 多元回归模型 =第i个人的应变数观察值。 为模型包含的k個解释变数。 为误差項(error term) K+1个回归参数 基本假設 与简单回归模型本质相同。 解释变量间不存在线性关系 计量分析的内容 回归参数的点估计 点估计的抽样分布(有限或大样本) 假设检定与区间估计 预测 预测是检验模型有用性的最后标准? 无预测能力的模型即是无用的模型? 预测有無政策意涵? 2 最小二乘法 OLS 求配适度最佳 矩陣表示 解: 若线性重合的現象存在(解释变数间信息重叠，例如消費，储蓄与所得不可当成三个解释变数)，反距陣不存在，OLS无解。 的点估计量(若同方差假设成立) 求得 之後，样本內的Y预测值为 实际值與预测值之差称为殘差項: 殘差項为误差項的样本实现值。 配适度 Goodness of Fit 定义总变异(SST)及回归变异(SSE) SST=SSE+SSR R方的进一步解析: ,R方越高，配适度越大。 增加解释变数絕不会降低R方。所以，R方的高低不可用來选模。 横剖面回归的R方低(鮮有高於0.5;低於0.1常有的事)。时间序列回归，R方大於0.9司空见慣。 样本內高R方的模型，样本外预测的能力常偏低。 调整过的R方 Adjusted R-square 增加解释变数不一定會提高 濫模型有可能得到負的 3 OLS 的抽样分布: 同方差假设: 因此， 为 的线性组合。 若误差項的条件分布为正态… 令 为矩陣 对角线上第j+1个数值，則 假设4+5=?有限样本下存在 t 分佈 个別回归参数的抽样分布: 一般計量软件会自动计算以下的标准误: HSK-Robust 标准误 异方差下的标准误估计 其中, 大样本下的近似: Robust t stat=估计值/ Robust标准误 置信区间 的95%置信区间为 其他信心水准下的区间可类推。 可查t分佈尾部机 率表。 假設檢定 A 个別参数检定 显著性检定 当原假設为真時，解释变数 不起作用，或不应納入回归模型。 令显著水准為5%。若 拒絕原假設。 同时检定多个参数 多个参数的线性假設: 例如 在原假設下，将参数的线性限制式直接套用在原模型上，可得 “有限制”的回归模型。原估计的模型則为 “无限制”的回归模型。检定的基础在於比较這兩模型的配适度。 检定步骤 估计无限制的回归模型。计算其残差項平方和(SSRU) 估计有限制的回归模型。计算其殘差項平方和(SSRR) 计算在原假設下有几个限制式(m) 检定统计量 若 拒絕原假設。 簡例: 有限制的回归模型: Y对常数、X、W、Z回归，求SSRU (Y-X)对常数、(W-X)、Z回归，求SSRR 在5%的显著水准下，若 拒絕 全面显著性检定 僅需无限制回归的R方即可计算统计量。 簡例 數据: 方差… R方與 t 檢定 在10%显著水准下，t 自由度2的临界值为2.92 绝对值均小於2.92。均不显著。 TSS=28， 7 樣本外預測 給定 预测方程为: 预测误差 预测误差的行为 均数 方差: 预测的置信区间 在 的信心水準下，置信区间为 在