第4章多元回归：估计与假设检验.ppt

由于: = 0 所以有： 注意： 可决系数 该统计量越接近于1，模型的拟合优度越高。 对于三变量回归： 在应用过程中发现，如果在模型中增加一个解释变量， R2往往增大。 这就给人一个错觉：要使得模型拟合得好，只要增加解释变量即可。—— 但是，现实情况往往是，由增加解释变量个数引起的R2的增大与拟合好坏无关，R2需校正。 校正的可决系数（adjusted coefficient of determination） 在样本容量一定的情况下，增加解释变量必定使得自由度减少，所以校正的思路是：将残差平方和与总离差平方和分别除以各自的自由度，以剔除变量个数对拟合优度的影响: 其中：n-k-1为残差平方和的自由度，n-1为总体平方和的自由度。（k为解释变量的个数） 注：两个解释变量，但要估计三个参数 *2、赤池信息准则和施瓦茨准则 为了比较所含解释变量个数不同的多元回归模型的拟合优度，常用的标准还有: 施瓦茨准则（Schwarz criterion，SC） 这两准则均要求仅当所增加的解释变量能够减少AIC值或AC值时才在原模型中增加该解释变量。 赤池信息准则（Akaike information criterion, AIC） 例：P158（古董钟拍卖） 校正的判定系数 有如下性质： 如果k>1，则 R2总是大于0，但 可能为负 8.4 多元线性回归模型的假设检验 假设检验 一、变量的显著性检验（t检验） 二、方程的显著性检验(F检验) 三、参数的置信区间 一、变量的显著性检验（t检验） 方程的可决系数R2虽然度量了估计回归直线的拟合优度，但R2本身却不能判定回归系数是否是统计显著的，即是否显著不为零。 因此，必须对每个解释变量进行显著性检验——偏回归系数的显著性检验，以决定是否作为解释变量被保留在模型中。 这一检验是由对变量的 t 检验完成的。 经济计量学 Chp 4——多元回归：估计与假设检验 主要内容 多元线性回归模型及其假定 多元线性回归参数的估计 多元回归模型的拟合优度 多元回归模型的假设检验 关于设定误差 实例 从单解释变量到多解释变量 一个例子： 学习目标 多元回归模型的估计问题 多元回归模型的假设检验问题 多元回归模型区别于双变量模型的特性 如何决定多元回归模型中解释变量的个数 4.1 多元线性回归模型及其假定 分析中国汽车行业未来的趋势,应具体分析这样一些问题： 中国汽车市场发展的状况如何？（用销售量观测） 影响中国汽车销量的主要因素是什么？ （如收入、价格、费用、道路状况、能源、政策环境等） 各种因素对汽车销量影响的性质怎样？（正、负） 各种因素影响汽车销量的具体数量关系是什么？ 所得到的数量结论是否可靠？ 中国汽车行业今后的发展前景怎样？应当如何制定汽车的 产业政策？ 很明显，只用一个解释变量已很难分析汽车产业的发展, 还需要寻求有更多个解释变量情况的回归分析方法。 怎样分析多种因素的影响？ 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： i=1,2…,n 其中:k为解释变量的数目，Bj称为回归参数（regression coefficient）。 也被称为总体回归函数的随机表达形式。它的非随机表达式为: 表示：各变量X值固定时Y的均值，即总体回归线上的点。 习惯上：把常数项看成为一虚变量的系数，该虚变量的样本观测值始终取1。于是： 模型中解释变量的数目为（k+1） 确定成分 随机成分 Bj也被称为偏回归系数，表示在其他解释变量保持不变的情况下，X j每变化1个单位时，Y的均值E(Y)的变化; 或者说Bj给出了X j的单位变化对Y均值的“直接”或“净”（不含其他变量）影响。 其随机表示式: ei称为残差或剩余项(residuals)，可看成是总体回归函数中随机扰动项ui的近似替代。 用来估计总体回归函数的样本回归函数为： 多元线性回归模型的基本假定 假设1：回归模型是参数线性的，并且正确设定 假设2：解释变量与扰动项不相关 假设3，随机误差项具有零均值、同方差，服从正态分布及不序列相关性（相当于书中的3、4、5、7等四个假设）。 多元线性回归模型的基本假定 假设4：解释变量之间不存在完全共线性，即两个解释变量之间无确切的线性关系。 在存在完全共线性的情况下，不能估计偏回归系数，即不能估计各解释变量各自对应变量Y的影响。 实际问题中，很少会遇到完全共线性的情况，但却面临高度共线性或近似完全共线性的情况。这将第三部分说明。 4.2 多元线性回归参数的估计 主要内容 1.普通最小二