多元线性回归模型- 第三章经典单方程计量经济学模型多元回归.pptVIP

第三章 多元线性回归模型 多元线性回归模型 多元线性回归模型的参数估计 多元线性回归模型的统计检验 多元线性回归模型的预测 回归模型中解释变量的选择 §3.1 多元线性回归模型 一、多元线性回归模型 二、多元线性回归模型的基本假定 一、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： 二、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，随机干扰项具有零均值、同方差及无序列相关性。 假设3，解释变量与随机干扰项不相关 §3.2 多元线性回归模型的参数估计 一、参数的最小二乘估计 对于随机抽取的n组观测值 三、最小二乘估计量的性质 在满足基本假设的情况下，回归参数?的最小二乘估计量具有： 线性性、无偏性、有效性。 §3.3 多元线性回归模型的统计检验 一、拟合优度检验 二、回归方程总体线性的显著性检验(F检验) 三、变量的显著性检验（t检验） 四、参数的置信区间 一、拟合优度检验 1、判定系数 二、回归方程总体线性的显著性检验(F检验) 回归方程总体线性的显著性检验，旨在对模型中被解释变量与解释变量之间的线性关系在总体上是否显著成立作出推断。 2、拟合优度检验与F检验的关系 三、变量的显著性检验（t检验） 回归方程的总体线性关系显著?每个解释变量对被解释变量的影响都是显著的。 因此，必须对每个解释变量进行显著性检验，以决定是否将这个解释变量保留在模型中。 这一检验是由对变量的 t 检验完成的。 四、参数的置信区间 参数的置信区间用来考察：在一次抽样中所估计的参数值离参数的真实值有多“近”。 在变量的显著性检验中已经知道： §3.4 多元线性回归模型的预测 一、E(Y0)的置信区间 二、Y0的置信区间 如果已经知道实际的预测值Y0，那么预测误差为： 对一个已含有若干解释变量的模型是否值得再添加一个新的解释变量。理论上讲，如果新添加的解释变量对原模型的贡献较大，则有必要将其纳入到模型中，否则没有必要纳入到模型中。 例3.6.1 某种商品的销售额受价格指数、售后服务支出、替代产品销售量的影响。替代产品指有类似使用价值的产品，例如洗衣粉是肥皂的替代产品。数据如表3.3所示。 为了区分引人不同解释变量时的回归平方和ESS，残差平方和RSS和判定系数，定义引人不同解释变量时的ESS，RSS和，如表3.4所示。 1、F检验 即检验模型 Yi=?0+?1X1i+?2X2i+ ? +?kXki+?i i=1,2, ?,n 中的参数?j是否显著不为0。 可提出如下原假设与备择假设： H0： ?0=?1=?2= ? =?k=0 H1： ?j不全为0 F检验的思想来自于总离差平方和的分解式： TSS=ESS+RSS 如果这个比值较大，则X的联合体对Y的解释程度高，可认为总体存在线性关系，反之总体上可能不存在线性关系。 因此,可通过该比值的大小对总体线性关系进行推断。 根据数理统计学中的知识，在原假设H0成立的条件下，统计量 服从自由度为(k , n-k-1)的F分布。 给定显著性水平?，可得到临界值F?(k,n-k-1)，由样本求出统计量F的数值，通过 F? F?(k,n-k-1) 或 F≤F?(k,n-k-1) 来拒绝或接受原假设H0，以判定原方程总体上的线性关系是否显著成立。 可推出： 与 或 由 1、t统计量 由于 以cii表示矩阵(X’X)-1 主对角线上的第i个元素，于是参数估计量的方差为： 其中?2为随机干扰项的方差，在实际计算时，用它的估计量代替: 因此，可构造如下t统计量 2、t检验 设计原假设与备择假设： H1：?i?0 给定显著性水平?，可得到临界值t?/2(n-k-1)，由样本求出统计量t的数值，通过 |t|? t?/2(n-k-1) 或 |t|≤t?/2(n-k-1) 来拒绝或接受原假设H0，从而判定对应的解释变量是否应包括在模型中。 H0：?i=0 （i=1,2…k） 注意：一元线性回归中，t检验与F检验一致 一方面，t检验与F检验都是对相同的原假设H0：?1=0 进行检验; 另一方面，两个统计量之间有如下关系： 容易推出：在(1-?)的置信水平下?i的置信区间是