计量经济学课件3.pptxVIP

计量经济学课件3第1页/共113页本章主要介绍以下内容：第一节双变量线性回归模型的估计第二节最小二乘法估计量的性质第三节拟合优度的测度第四节双变量回归中的区间估计和假设检验第五节预测第六节有关最小二乘法的进一步讨论第2页/共113页第一节 双变量线性回归模型的估计 一. 双变量线性回归模型的概念 1.双变量线性回归模型的形式 ★总体线性回归模型(方程) (直线)需求函数Q=?＋?P＋u…… (3.1) 凯恩斯消费函数C=?＋?D＋u…… (3.2) 双变量总体线性回归模型的一般形式为：Y=?＋?X＋u…… (3.3)第3页/共113页 设Y表示消费, X表示收入,则凯恩斯消费函数计量经济模型为 Y=?＋?X＋u 其中 u 为扰动项或误差项， Y为因变量或被解释变量, X为自变量或解释变量。 a和b为未知参数。 第4页/共113页 设有Y和X的n对观测值数据，则根据(3.3)式，变量Y的每个观测值由下式决定： Yi = ? + ?Xi + ui , i = 1, 2, ...,n (3.4) 在实践中，(3.4)式称为双变量线性总体回归模型或简单线性总体回归模型。 其中 ?和? 为未知的总体参数，也称为回归模型的系数（ coefficients），下标 i是观测值的序号。 当数据为时间序列时，用下标 t来表示观测值的序号，从而（）式变成 Yt = ? + ?Xt + ut , t = 1, 2, ...,n (3.5)第5页/共113页下面对总体线性回归模型Yi = a + bXi + ui , i = 1, 2, ...,n (3.4)作进一步分析：Xi为非随机变量， ui、 Yi为随机变量；若对每个给定的Xi值反复观测Yi，可得一系列与给定的Xi相关的Yi值，ui服从正态分布，故Yi也服从正态分布，期望值记为E (Yi)，方差记为Var(Yi)。第6页/共113页在各个给定Xi值条件下Yi的期望值轨迹也称为总体回归模型(方程) 。即E(Yi) = a + bXi 。此模型也可通过对(3.4)两边取期望得到，即E(Yi)=E(a + bXi+ui)=a + bXi +E(ui) = a + bXi (E(ui)=0)，图示如下：第7页/共113页E(Yi) = a + bXiYE(Yi)Y3E(Y3) u3 ui=Yi-E(Yi)0 x1 x2 x3 …… xn-1 xn x总体回归模型图示第8页/共113页★样本线性回归模型(方程) (直线)给出了总体回归方程E(Yi) = a + bXi ，希望能求出总体回归参数a和b，但对Yi进行足够多次反复观测不现实，故Yi的总体分布未知， E(Yi) 未知，从而a和b的真值不可能求出。第9页/共113页但对于每一个Xi ，可随机抽取一个样本值Yi (作一次观测)，可得n对样本观测值 (Xi ，Yi) (i = 1, 2, ...,n)。使用某种估计方法寻找一条与样本观测值拟合最好的直线去近似地代替总体回归直线，这条直线就称为样本回归直线。相应的估计方程称为样本回归方程，即 第10页/共113页式中 ， 为样本回归参数，是总体参数a和b的估计， 为因变量的估计值或者说拟合值，也可以说预测值， Yi与 的差称为残差，记为 故样本回归模型也可表达成ei可作为ui的估计.图示如下第11页/共113页YE(Yi)E(Yi) = a + bXiYn●● u2●●Y1E(Y1)● ui=Yi-E(Yi)=Yi- a - bXi0 x1 x2 x3 …… xn-1 xn x总体、样本回归模型图示第12页/共113页 （1）模型省略了变量变量间真正的关系是Y=f(X1， X2，… )，但X2， X3，…， 相对不重要，用u代表之。2.为何要在模型中包括扰动项u 在前面已初步作了阐述，下面进一步说明： （2）数学模型形式的误差两变量之间的关系可能不是严格线性的，u反映了与直线的偏差。 第13页/共113页 （4）测量与归并误差总会出现测量与归并误差，使得任何精确的关系不可能存在。即 其中 ， 是消费和收入的真实值，而实际测量的消费和收入值为Y和X，则模型应为 Y=α+βX + u （3）经济现象的随机性质经济行为是随机的，用Y=α+βX解释“平均、典型”的行为，而用u来表示个体偏差。第14页/共113页 二. 普通最小二乘法(OLS法, Ordinary Least squares) 1.双变量线性回归模型的统计假设模型：Yt = ? + ?Xt