经典计量经济学模型.ppt

* * 二、多元线性回归模型的基本假定 假设1，解释变量是非随机的或固定的，且各X之间互不相关（无多重共线性）。 假设2，随机误差项具有零均值、同方差及不序列相关性 假设3，解释变量与随机项不相关 假设4，随机项满足正态分布 * * 第九十五页，编辑于星期二：二十一点 五分。 * * 上述假设的矩阵符号表示 式： 假设1，n?(k+1)矩阵X是非随机的，且X的秩?=k+1，即X满秩。 假设2， 假设3，E(X’?)=0，即 * * 第九十六页，编辑于星期二：二十一点 五分。 0 500 1000 1500 2000 2500 3000 3500 500 1000 1500 2000 2500 3000 3500 4000 每月可支配收入X（元） 每 月 消 费 支 出 Y （元） * * 第九十七页，编辑于星期二：二十一点 五分。 * * 假设4，向量? 有一多维正态分布，即 同一元回归一样，多元回归还具有如下两个重要假设： 假设5，样本容量趋于无穷时，各解释变量的方差趋于有界常数，即n?∞时， 或 其中：Q为一非奇异固定矩阵，矩阵x是由各解释变量的离差为元素组成的n?k阶矩阵 假设6，回归模型的设定是正确的。 * * 第九十八页，编辑于星期二：二十一点 五分。 * * 第五节 多元线性回归模型的估计和检验 估计方法：OLS * * 第九十九页，编辑于星期二：二十一点 五分。 * * 一、普通最小二乘估计 对于随机抽取的n组观测值 如果样本函数的参数估计值已经得到，则有： i=1,2…n 根据最小二乘原理，参数估计值应该是下列方程组的解 其中 * * 第一百页，编辑于星期二：二十一点 五分。 * * 于是得到关于待估参数估计值的正规方程组： * * 第一百零一页，编辑于星期二：二十一点 五分。 * * 正规方程组的矩阵形式 即 由于X’X满秩，故有 * * 第一百零二页，编辑于星期二：二十一点 五分。 .将上述过程用矩阵表示如下： * * 第一百零三页，编辑于星期二：二十一点 五分。 * * 1、总离差平方和的分解 已知由一组样本观测值（Xi,Yi），i=1,2…,n得到如下样本回归直线 * * 第六十三页，编辑于星期二：二十一点 五分。 * * 如果Yi=?i 即实际观测值落在样本回归“线”上，则拟合最好。 可认为，“离差”全部来自回归线，而与“残差”无关。 * * 第六十四页，编辑于星期二：二十一点 五分。 * * 对于所有样本点，则需考虑这些点与样本均值离差的平方和,可以证明： 记 总体平方和（Total Sum of Squares） 回归平方和（Explained Sum of Squares） 残差平方和（Residual Sum of Squares ） * * 第六十五页，编辑于星期二：二十一点 五分。 总体平方和（Total Sum of Squares） 回归平方和（Regression Sum of Squares） 残差平方和（Error Sum of Squares ） 对于所有样本点，则需考虑这些点与样本均值离差的平方和,可以证明： * * 第六十六页，编辑于星期二：二十一点 五分。 * * 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)。 在给定样本中，TSS不变， 如果实际观测点离样本回归线越近，则ESS在TSS中占的比重越大，因此 拟合优度：回归平方和ESS/Y的总离差TSS * * 第六十七页，编辑于星期二：二十一点 五分。 * * 2、可决系数R2统计量 称 R2 为（样本）可决系数/判定系数（coefficient of determination)。 可决系数的取值范围：[0，1] R2越接近1，说明实际观测点离样本线越近，拟合优度越高。 * * 第六十八页，编辑于星期二：二十一点 五分。 * * 第六十九页，编辑于星期二：二十一点 五分。 * * 第七十页，编辑于星期二：二十一点 五分。 * * 在例2.1.1的收入-消费支出例中， 注：可决系数是一个非负的统计量。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。 * * 第七十一页，编辑于星期二：二十一点 五分。 * * 二、变量的显著性检验 回归分析是要判断解释变量X是否是被解释变量Y的一个显著性的影响因素。 在一元线性模型中，就是要判断X是否对Y具有显