第1章双变量回归剖析.ppt

最小二乘（OLS）估计量的性质 OLS估计量是纯粹由可观测值（样本值）表达的，因此这些量是容易计算的； 这些量是点估计量，对于给定的样本，每一估计量仅提供有关总体参数的一个值； 从样本数据得到OLS估计值，很容易画出样本回归线，这样得到的样本回归线有如下性质（不证明）： 1.它通过X和Y的样本均值； 2.估计的Y均值等于实测的Y的均值； 3.残差 的均值为零； 4.残差 和预测的Yi值不相关； 5.残差 和Xi值不相关。 3.2经典线性回归模型：最小二乘模型的基本假定 如果我们的目的仅仅是估计 ，那么上节讨论的OLS就足够了。事实上，我们不仅仅是要估算出 的值，而且要对真实的 推断，我们想知道 离它的真期望值 有多近。为此，我们要对Yi的产生方式作出某些假设。 而 表明，Yi是依赖于Xi和ui。因此除非我们明确Xi和ui是怎样产生的，我们将无法对Yi作出任何统计推断，也就无法对 作出统计推断。 就是说，为了回归估计的有效解释，我们对变量Xi和误差项ui作出假定是极其重要的。 我们在前面探讨过线性的定义，在我们这里我们将始终坚持这一定义。 假定1：线性回归模型。回归模型对参数而言是线性的。 我们关于总体样本函数（PRF）的讨论中，隐含着这样一个假定“重复抽样中的固定值”。对它的理解很重要。回到我们最初的例子上：我们假定一个由60户家庭组成，我们统计了这60户家庭的收入X和家庭消费支出Y的数据。这样我们把收入值固定在80美元/周，随机的抽取一个家庭，并观测它的周家庭消费支出，例如说60美元；接着我们仍然把收入X固定在80美元/周，再随机的抽取令一个家庭，观测它的周家庭消费支出为75美元。在每次抽取（重复抽样）中，我们都把X值固定在80美元上，直到所有周收入为80美元的家庭统计完毕。事实上我们例子中的数据就是这样产生的。 所有的这些意味着，我们的回归分析是条件回归分析，就是以X给定值为条件的。 假定2：在重复抽样中X值是固定的。 假定3：干扰项ui的均值为零。对于给定的X值，ui的条件期望（均值）为零，用公式来表达： 其实，这个假定无非是告诉我们，凡是模型中没有包含的，没有被作为解释变量的其他而被归结为ui的因素，都不应该对Y的均值产生系统性的影响。或者说，正的ui和负的ui相互抵消了，以至于它们对Y的平均影响为零。 对于每个ui的方差，都是某个等于δ2的正常数。意味着，对应于不同的X值的Y总体均有相同的方差。 图3.4和3.5都表明了随收入增加，平均消费水平增加。3.4中消费支出方差在所有的收入水平下保持不变，而3.5则变大。 当X=X1时，消费水平平均地离PRF更近，而X=X3时，消费水平围绕PRF分布更远，显然X=X1时的数据Y对我们来说更可靠一些。 假定4：同方差性或ui的方差相等。对于给定的X值，对所有的观测，ui的方差是恒定的。用公式来表达： 假定5：各个干扰项之间无自相关。给定任意两个X值：Xi和Xj（i≠j），ui和uj之间的相关为零。用符号来表示： 用专业的术语来说，就是无序列相关或无自相关。如果上述假定不成立，ut和ut-1存在相关关系，那么Yt不仅仅取决Xt而且还取决于ut，因为ut-1在一定程度上决定了ut。 我们利用假定5，就是只考虑Xt对Yt的影响，而不去担心u之间的可能到相关关系而对Y产生的影响。 经济类核心课程·计量经济学 PowerPoint Presentation by Lu Shiguang 2012 All Right Reserved, Hunan Institute of Engineering 第一章 双变量回归分析 教师：卢时光 1. 回归分析的性质 F.加尔顿（Francis Galton）发现，虽然有一个趋势：父母高，儿女也高；父母矮，儿女也矮，但给定父母的身高，儿女辈的平均身高却趋向于或者“回归”到全体人口的平均身高。 K.皮尔逊（Karl Pearson）证实了加尔顿普遍回归定律。皮尔逊收集了1000多个家庭的身高记录。他发现对于父辈高的群体，儿辈的平均身高低于他们的父辈，而对于父辈矮的群体，儿辈的平均身高则高于他们的父辈。 用加尔顿的话来说，就是“回归到中等（regression to mediocrity）”。 1.2 回归的现代定义 回归分析是关于研究一个应变量对另一个解释变量的依赖关系，其用意在于通过后者（在重复抽样中）的已知或设定值，去估计和（或）预测前者的（总体）均值。 回到加尔顿的例子：我们关心给定父辈身高，找出儿辈平均身高的变化。值得注意的是，随着父辈身高的增加，儿辈平均身高也在增加。