《一元线性回归》PPT课件.pptVIP

§2.3 一元线性回归模型的统计检验 一、拟合优度检验 二、方程的显著性检验 三、变量的显著性检验 四、参数的置信区间 模型检验的必要性 回归分析是通过样本所估计的参数来代替总体的真实参数，或者说是用样本回归线代替总体回归线。不可避免地，这种估计存在着误差。 因此，尽管从统计性质上看，参数估计量具有良好的性质。即：如果有足够多的重复抽样，参数的估计值的期望（均值）就等于其总体的参数真值。但是在一次抽样中，估计值不一定就等于该真值。 那么，在一次抽样中，参数的估计值与真值的差异有多大，是否显著，这就需要进一步进行统计检验。 主要包括拟合优度检验、变量的显著性检验、方程的显著性检验、参数的区间估计。 一、拟合优度检验 SRF对样本观测值的拟合程度 实质上可理解为对拟合优度的测定 1、拟合优度（Goodness of Fit）的含义 拟合优度：SRF对样本观测值的拟合程度，即样本回归直线与观测散点之间的紧密程度 问题：采用普通最小二乘估计方法，已经保证了SRF最好地拟合了样本观测值，为什么还要检验拟合程度？ 测度指标：判定系数（可决系数）R2。 ——这是一个基于总离差分解基础之上的指标 答案：——定量测定的需要 ——相互比较的需要 2、总离差平方和的分解 对于一个实际观测值Yi，定义总离差： 引入回归直线后，总离差可以分解为： 可以理解为：采用均值“估计”实际值时的“总误差” 离差分解示意图 对于所有样本点，定义如下离差平方和(Sum Square)： 总离差平方和 （样本观测值总体离差大小） 回归离差平方和 （SRF所能解释的离差大小） 残差平方和 （SRF无法解释的离差大小） 可以证明： 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)。 显然，在给定样本中，TSS不变，因此，如果样本回归线离实际观测点越近，即回归直线的拟合程度越好，则体现为ESS在TSS中占的比重越大 所以可用回归平方和ESS占总离差平方和TSS的比例来判断回归线与样本观测值的拟合程度 3、可决系数R2 称 R2 为（样本）可决系数/判定系数 （coefficient of determination)。 【1】可决系数的取值范围：[0，1]。R2越大，拟合程度越好。 问题： R2多大才算好？ 【2】可决系数是一个样本统计量。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。 【3】对模型好坏的判断不能仅仅依据这一指标。 答案：没有绝对标准。 时间序列数据：0.8、0.9很常见。 横截面数据：0.4、0.5不算低 # 可决系数的计算－方法1 在例2.2.1的收入-消费支出例中， # 可决系数的计算－方法2 计算TSS： 计算RSS： X Y X2 X*Y Y2 1 800 594 640000 475200 352836 2 1100 638 1210000 701800 407044 3 1400 1122 1960000 1570800 1258884 …… …… …… …… …… …… 4 1700 1155 2890000 1963500 1334025 求和 21500 1567439468400平均 2150 1567.4 二、方程的显著性检验 考察Y与所有X之间的线性关系在总体上是否显著成立 采用右侧F检验 一、基本假设 保障普通最小二乘法（OLS）适用的基本条件 1、基本假设的提出 回归分析的主要目的是要通过样本回归函数（模型）SRF尽可能准确地估计总体回归函数（模型）PRF。 估计方法有多种，其种最广泛使用的是普通最小二乘法（ordinary least squares, OLS）。 为保证参数估计量具有良好的性质，通常对模型提出若干基本假设。 严格而言，这些基本假设并非针对模型的，而是针对普通最小二乘法的 寻求恰当的估计方法，使 是βi的优良估计量——参数估计 2、基本假设的内容 ? 假设1：解释变量X是确定性变量，不是随机变量； ? 假设2：随机误差项?具有零均值、同方差和不序列相关性： E(?i)=0 i=1,2, …,N Var (?i)=??2 i=1,2, …,N Cov(?i, ?j)=0 i≠j i,j= 1,2, …,N ? 假设3：随机误差项?与解释变量X之间不相关：