第八讲 非线性回归课堂.ppt

推导：我们考察自变量 X 变化 ? X 的过程。 此时： 0 1 0 1 1 1 ( ) ( ) [ ln( )] [ ln( )] [ln( ) ln( )] ( ) f X X f X X X X X X X X X ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 即 X 变化 1% 时， 为 0.01 。 X X ? 31 例子 收入每增加 1% 时，成绩会增加 0.01*26.42=0.3642 分。 结论：线形对数形式一般用来表示 当自变量变化 1% 时，因变量变化的 具体数值。 32 书中的两个例子 1 。地区收入从 10----11 （单位是千美 元） 2 。地区收入从 40----41 33 例一： ? Y=[557.8+36.42ln(11) - 557.8+36.42ln(10)] =36.42*[ln(11)-ln(10)]=3.47 ?Y=[557.8+36.42ln(41) - 557.8+36.42ln(40)] =36.42*[ln(14)-ln(40)]=0.90 34 线性对数回归函数 35 如何理解 β1 的含义 因为该模型中 Y 是对数形式而 X 不是 ， 所以有时称它为 对数线性模型 。 在线性对数模型中， β1 表示 X 变化 1 个 单位引起 Y 的变化为 (100*β1)% 。 36 推导：我们考察自变量 X 变化 ? X 的过程。 此时： 0 1 0 1 1 ( ) ( ) ln( ) ln( ) ( ) [ ( )] [ ( )] f X X f X Y Y Y Y Y X X X X ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 1 Y X Y ? ? ? ? 37 我们考虑一个大学毕业生年龄和收入关系的例子。 很多雇佣合同都指出职工多工作一年，则他或她 的收入就增加一定的百分率。 由该回归知年龄每增加 1 岁，预计收入增加 (100*0.0086)*=0.86% 再考虑工资方程中，教育年限每增加 1 年工资 增加的百分率。 38 注意：因为自变量不包含任何对数形式， 所以 对数线性模型 的拟合图是 一条直线。 39 6 . 4 6 . 4 5 6 . 5 6 . 5 5 6 . 6 0 20 40 60 income lntestscr Fitted values 40 如何理解 β1 的含义 因为该模型中 Y 是对数形式 X 也是 ，所 以有时称它为 双对数模型 。 在线性对数模型中， β1 表示 X 变化 1% 个单位引起 Y 的变化为 β1% 。 41 42 43 双对数函数最典型的例子是生产函数 production 。 44 45 原则 1 ：在解释变量均显著的前提下，当被 解释变量 Y 的函数形式相同时，可以通过 adj R2 比较模型的优劣。 但如果被解释变量 Y 的函数形式不同，例如 一个是 ln(Y) ，而另一个是 Y ，则通过 adj R2 比较模型的优劣没有意义。 46 47 原则二：根据经济理论和对问题的实践认知 确定用 Y 的对数形式是否有意义。 经常使用对数形式表示增长率的经济指标： GDP 投资 消费 工资 成绩 等等。 48 测试成绩和地区收入的多项式和 对数模型 挑选一种最好的函数形式： 到底选择多项式还是对数？ 在多项式和对数中哪种形式最好？ 多项式和对数的组合效果如何？ 49 1 。多项式形式 结论，立方形式改进了方程，并且 income 3 前的系数显著，因此采用立方形式。 50 我们尝试使用对数的高次方形式 51 立方和线性对数形式的比较 因为是线性对数，所以可以比较 adj R2 。 由于本题线性对数较高，所以采用线性 对数形式。 52 非线性回归函数 1 线性回归的最大特点是：总体回归函数 的斜率为常数。故 X 变化一个单位对 Y 的 效应不依赖于 X 本身的取值。 我们今天研究的非线性回归中，总体回 归函数的斜率不再是常数， X 的变化对 Y 的效应依赖于一个或多个自变量的取值。 2 3 非线性回归函数的一般建模方法 我们考虑测试成绩和地区收入的关系 4 5 二次回归模型 6 在 stata 中需要用 gen 命令产生一个新的变 量表示： Income 2 。 gen income2=income^2 reg TestScore income income2 通过 t 检验我们发现， Income 2 显著，所以，可 以得出结论，二次模型优于线性模型。 7 如何决定是用线性还是非线性？ 最简单的办法是利用 t 检验考察二次方的显 著性： 对于方程 我们需要检验 income 2 前的系数 β2 是否显 著。 8 非线性设定形式中 X 变化对 Y