经济预测与决策之回归分析预测法.pptx

经济预测与决策之三 回归分析预测法本章学习目的与要求 通过本章的学习，了解回归分析预测法的概念；掌握回归分析中各系数的计算方法及回归预测方法。本章学习重点和难点 重点是一元线性回归预测法。 难点是区间估计。本章内容提示第一节回归分析概述一、回归的定义二、回归模型的分类第二节一元线性回归预测法一、一元线性回归模型二、最小二乘估计三、拟合优度的度量四、相关系数检验法五、最小二乘估计式的标准误差六、回归预测第三章 回归分析预测法回归分析预测法就是从各种经济现象之间的相互关系出发，通过对与预测对象有联系的现象的变动趋势的回归分析，推算出预测对象未来状态数量表现的一种预测方法。第一节回归分析概述一、回归的定义二、回归模型的分类一、回归的定义回归是研究自变量与因变量之间的关系形式的分析方法，其目的在于根据已知自变量值来估计因变量的总体平均值。在研究某一社会经济现象的发展变化规律时，经过分析可以找到影响这一现象变化的原因。在回归分析中，把某一现象称为因变量，它是预测的对象，把引起这一现象变化的因素称为自变量，它是引起这一现象变化的原因。而因变量则反映了自变量变化的结果。回归自变量与因变量之间的因果关系可以通过函数形式来表现，用数学模型来体现两者之间的数量关系。自变量的值是确定的，而因变量的值是随机的。回归函数中，确定的自变量值所对应的是随机的因变量值的总体平均值。二、回归模型的分类1.按模型中自变量的多少，分为一元回归模型和多元回归模型。一元回归模型是指只包含一个自变量的回归模型；多元回归模型是指包含两个或两个以上自变量的回归模型。1.按模型中自变量的多少分为一元回归模型和多元回归模型。一元回归模型是指只包含一个自变量的回归模型；多元回归模型是指包含两个或两个以上自变量的回归模型。2.按模型中自变量与因变量之间是否线性分为线性回归模型和非线性回归模型。线性回归模型是指自变量与因变量之间呈线性关系；非线性回归模型是指自变量与因变量之间呈非线性关系。3.按模型中方程数目的多少分为单一方程模型和联立方程模型。单一方程模型是指只包含一个方程的回归模型；联立方程模型是指包含两个或两个以上方程的回归模型。单一方程的一元线性回归分析是其它回归分析的基础，本章将主要介绍一元线性回归预测法。第二节一元线性回归预测法一元线性回归预测法是根据一元线性回归模型中单一自变量的变动来预测因变量平均发展趋势的方法。一、一元线性回归模型若用X代表自变量，Y代表因变量。则给定一个自变量的值Xi时，对于一元线性回归模型就有一个因变量的总体平均值E(Yi)与它对应，其函数关系可写成E(Yi)=f(Xi)，它表明Y的总体平均值是随着X的变化而变化的。该函数亦称为总体回归函数。一元线性回归模型的基本形式为：E(Yi)=β0+?1Xi（3-1） 或 Yi=E (Yi)+ui=β0+?1Xi+ui（3-2） 其中β0、?1是未知而固定的参数，称为回归系数，ui称为随机扰动项。在回归分析中，我们要根据Y和X的观测值来估计未知的β0和?1的值，进而建立回归模型。回归模型通常我们是通过Y和X的样本观测值建立样本回归函数来估计参数的。一元线性回归样本函数17页(3-3)回归模型对于样本中每一个与Xi相对的观测值Yi与由样本回归函数得到的估计值有一随机偏差，这个偏差称为样本剩余，记为ei。 样本回归函数回归模型回归分析就是要根据样本回归函数来估计总体回归函数。在这里需要解决的问题主要有两个：其一是估计参数;其二是“接近”的程度有多大。二、最小二乘估计建立样本回归函数的方法有许多，其中最流行的是最小二乘法（OLS）。1.最小二乘准则2.最小二乘估计式1.最小二乘准则．当给定样本X和Y的N对观测值时，我们希望据此建立的样本回归函数值应尽可能接近观测值Yi，使其样本剩余的平方和尽可能地小，即?ei2?min。这一准则就是最小二乘准则。图3-1 Y Yi . e . . . . 0 Xi X 2.最小二乘估计式根据最小二乘准则建立样本回归函数的过程为最小二乘估计，简记OLS估计。由此得到的估计值得计算式称为最小二乘估计式。双变量线性回归模型的最小二乘估计双变量线性回归模型的最小二乘估计由最小二乘准则：?ei2?min有：双变量线性回归模型的最小二乘估计式双变量线性回归模型的最小二乘估计式最小二乘估计式三、拟合优度的度量1．拟合优度2．可决系数1．拟合优度拟合优度是指样本回归直线对观测数据拟合的优劣程度。如果全部观测值都在回归直线上，我们就获得“完全的”拟合，但这是罕见的情况，通常都存在一些正ei或负ei。我们所希望的就是围绕回归直线的剩余尽可能的小。2．可决系数拟合优度通常用可决系数来度量。可决系数是样本回归直线对