现代公共政策的定量分析方法.pptVIP

第三章 现代公共政策的定量分析方法 第一节 预 测 分 析 预测主要是用来说明现实与未来的因果关系。 一、未来与预测的对象 1、与预测相联系的未来主要有三种情形：潜在性未来；可能性未来；规范性未来。 2、预测的对象主要有四种：现有政策后果的预测；新政策后果的预测；新政策内容的预测；政策参与者和相关权力主体行为的预测。 二、预测的基础与主要形式 1、趋势推倒与设计性预测 2、理论假设与前提性预测 3、主观判断与假设性预测 三、预测的常用方法 1、平均预测法：算术平均法 加权平均法 2、概率预测法：（马尔柯夫分析） 第二节 经济效益分析 一、净现等效即NPE＝贴现效益－贴现费用 二、效益费用比： 标准效益费用比： B/C＝贴现效益除以贴现费用 边际效益费用比： DB/DC＝贴现效益的增加除以贴现费用的增加 三、回收率：综合：ROR=项目的NPE为零的贴现率；边际：MROR＝项目MNPE为零的贴现率，其中MNPE=贴现效益的增量－贴现费用的增量 第三节?? 回归分析 回归分析的目的: 设法找出变量间的依存(数量)关系, 用函数关系式表达出来。 样本回归直线: Y=a+bx 二、 基 本 概 念 1、因变量（dependent variable) 2、自变量（ independent variable） 3、一元线性回归 　　直线回归方程的模型是：yi=a+bxi+ei 其中：（１）a是截距 （２）b是回归系数（回归直线的斜率）(regression coefficient) 回归系数的统计学意义是：自变量每变化一个单位， 因变量平均变化的单位数． （３）ei是残差 因此直线回归方程的一般形式是： 其中 是因变量y的预测值或称估计值。 4、多元线性回归 多元线性回归方程模型为： yi=b0+b1x1i+b2x2i+…+bnxni+ei 其中 ： b0是常数项，是各自变量都等于0时，因变量的估计值。有时，人们称它为本底值。 b1，b2，…，bn是偏回归系数(pertial regression coefficient)，其统计学意义是在其它所有自变量不变的情况下，某一自变量每变化一个单位，因变量平均变化的单位数。 如果所有参加分析的变量都是标准化的变量，这时 b0就等于0， b1，b2，…，bn 就变成了标准化偏回归 系数，用符号b1‘，b2’，…，bn‘表示。 bi’= bi*sxi/sy 由于bi’没有量纲，因此可以相互比较大小，反映自 变量的相对作用大小。 (3) ei是残差 多元线性回归方程的一般形式是： 其中的符号含义同前。 三、理论假设 自变量x与因变量y之间存在线性关系； 正态性：随机误差（即残差）e服从均值为零，方差为?２的正态分布； 等方差：对于所有的自变量x，残差e的条件方差为?２ ，且?为常数； 独立性：在给定自变量x的条件下，残差e的条件期望值为零（本假设又称零均值假设）； 无自相关性：各随机误差项e互不相关； 残差e与自变量x不相关：随机误差项e与相应的自变量x不相关； 无共线性：自变量x之间相互独立． 四、回归方程的建立 散点图 奇异点（ouliers） 最小二乘法（least square, LS） 残差平方和 （sum of squares for residuals） 五、线性回归的检验 １、回归方程的检验 　方差分析法： 应变量的总变异 可分解为 回归平方和(regression sum of squares)：可用线性回归解释的部分； 剩余平方和(residual sum of squares)：即残差平方和，不能用线性回归解释的部分 以上三部分的自由度分别为n-1，m和n-m-1。其 中，n为样本数，m为自变量数。 方差分析的假设为： 一元线性回归：H0: ?=0 　　　 H1: ??0 多元线性回归： H0: ?1= ?2=…= ?m=0 H1: ?1， ?2，…， ?m中至少有一个不等于零 因此方差分析的结论是线性回归方程是否显著，是否有意义。 ２、回归／偏回归系数的检验 　　检验回归系数是否为零，每一个偏回归系数是否为零。用t检验方法。 　统计量 　自由度 　　结论：回归／偏回归系数是否意义，是否为零；对应的自变量是否有意义。 ３、常数项（截距）的检验 检验常数项（截距）是否为零是否为零。 用t检验方法。