23简单线性回归模型的统计检验.pptxVIP

第三节 拟合优度的度量 1、拟合优度检验 拟合优度检验：对样本回归直线与样本观测值之间拟合程度的检验。 度量拟合优度的指标：判定系数（可决系数）R2 问题：采用普通最小二乘估计方法，已经保证了模型最好地拟合了样本观测值，为什么还要检验拟合程度？ 2、总离差平方和的分解 已知由一组样本观测值（Xi,Yi），i=1,2…,n得到如下样本回归直线 如果Yi=?i即实际观测值落在样本回归“线”上，则拟合最好。可以认为，“离差”全部来自回归线，而与“残差”无关。 对于所有样本点，则需考虑这些点与样本均值离差的平方和,可以证明：记总体平方和（Total Sum of Squares）回归平方和（Explained Sum of Squares）残差平方和（Residual Sum of Squares ）TSS=ESS+RSS Y的观测值围绕其均值的总离差(total variation)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TSS3、可决系数R2统计量 称 R2 为（样本）可决系数/判定系数（coefficient of determination)。 可决系数的取值范围：[0，1] R2越接近1，说明实际观测点离样本线越近，拟合优度越高，模型的解释程度越高。 在例2.2收入-消费支出例中， 注：可决系数是一个非负的统计量。它也是随着抽样的不同而不同。为此，对可决系数的统计可靠性也应进行检验，这将在第3章中进行。 第四节 回归系数的区间估计和假设检验一、OLS估计的分布性质二、回归系数的区间估计三、回归系数的假设检验 一、OLS估计的分布性质是关于样本观测值Yi的线性函数因为 是关于Y 的线性函数，而Y是关于随机扰动项 ui的线性函数，所以 也是ui的线性函数，且服从正态分布（2）在小样本情况下，若用无偏估计 代替 去估计标准误差，则进行标准变化的统计量不再服从正态分布，而是服从自由度为n-2的t分布二、回归系数的区间估计 假设检验可以通过一次抽样的结果检验总体参数可能的假设值的范围（如是否为零），但它并没有指出在一次抽样中样本参数值到底离总体参数的真值有多“近”。 要判断样本参数的估计值在多大程度上可以“近似”地替代总体参数的真值，往往需要通过构造一个以样本参数的估计值为中心的“区间”，来考察它以多大的可能性（概率）包含着真实的参数值。这种方法就是参数检验的置信区间估计。 如果存在这样一个区间，称之为置信区间（confidence interval）； 1-?称为置信系数（置信度）（confidence coefficient）， ?称为显著性水平（level of significance）；置信区间的端点称为置信限（confidence limit）或临界值（critical values）。t分布接受域拒绝域拒绝域0假如举例：一元线性模型中，?i (i=1，2）的置信区间:在变量的显著性检验中已经知道： 意味着，如果给定置信度（1-?），从分布表中查得自由度为(n-2)的临界值，那么t值处在(-t?/2, t?/2)的概率是(1-? )。表示为： 即于是得到:(1-?)的置信度下, ?i的置信区间是 在上述收入-消费支出例中，如果给定? =0.05，查表得： 由于于是，?1、?2的置信区间分别为： （175.40，528.59 ) （0.4803，0.5797) YiXi回归系数的区间估计：3种情况（1） 的方差 已知， 与 的区间估计。由 得，在显著性水平下，临界值为 ，则 的估计区间是　(2)的方差 未知，大样本下 与 的区间估计在大样本下，用 代替 ，仍可利用正态分布作区间估计，此时 的区间估计分别为： (3)的方差 未知，在小样本下， 与 的区间估计。在小样本下：　 在显著性水平下 ，临界值为 ， 则 的区间估计分别为：三、回归系数的假设检验 回归分析是要判断解释变量X是否是被解释变量Y的一个显著性的影响因素。 在一元线性模型中，就是要判断X是否对Y具有显著的线性性影响。这就需要进行变量的显著性检验。 变量的显著性检验所应用的方法是数理统计学中的假设检验。 计量经计学中，主要是针对变量的参数真值是否为零来进行显著性检验的。 1、什么是假设检验 所谓假设检验，就是事先对总体