基本回归三、多元回归模型.pptx

三、多元回归模型 多元回归模型更具有一般性。一元回归模型中，只能有一个解释变量，其函数形式不一定恰当。而多元回归模型具有较大的灵活性，有利于对总体回归模型做出正确的判断。 多元回归模型是经济学和其它社会科学进行计量分析时使用最为广泛的一个工具。（一）多元线性回归模型 多个解释变量的多元回归模型是一元回归模型和二元回归模型的推广。含被解释变量Y 和k-1个解释变量X2，X3，…，Xk 的多元总体回归模型表示如下： i＝1, 2, … （3.9） 式（3.9）中,β1为截距，β2 ,β3,…，βk 为偏斜率系数，u 为随机干扰项，i 为第i 次观测。把式（3.10）表示为增量形式则为（3.11） X2的系数β2的意义为：在所有其它变量X3i，X4i，…，Xki 保持不变的条件下，X2改变一个单位而导致Yi 的均值的变化量。 即在保持X3，X4，…，Xk 不变的条件下，有： （3.12） 其它斜率系数的意义与此类似。 例如，在汽车需求分析中，要研究竞争性市场中某一品牌汽车的需求。据需求理论，影响汽车需求的因素除了价格和收入外，还有与之竞争的其它品牌汽车的价格。 因此，该品牌汽车的需求模型为（3.13） 式（3.13）中，Yt ＝某品牌汽车需求量，Pt ＝该品牌汽车价格，It ＝居民收入， ＝竞争性品牌汽车的价格. β2代表当居民收入It 与竞争性品牌汽车价格不变时，该品牌汽车价格降低1元，需求量增加的数量。（二） 最小二乘估计 一、最小二乘估计量对于二个解释变量的回归模型，其样本回归函数为（3.14） 式中， 分别为 的估计值。（二） 最小二乘估计 在含有多个解释变量的一般情形中，我们得到样本回归函数 （3.16） 我们的目的就是得到式（3.16）中的估计值 ，使残差平方和最小。就是使最小的估计值 。据微积分知识，我们知道这个最小化问题就是使用多元微积分求解。其原理与一元线性回归方程的最小二乘法相同。得到含 这k 个未知变量的k个线性方程。（3.18） 该方程组称为正规方程组，求解该方程组，可得到 的值。即使是较小的方程组，手工计算也是很繁重的工作。借助经济计量分析软件，对较大的n 和 k，也能很快求解这些 方 程。本书推荐的EViews软件就提供了这一计算程序。 如果使用普通最小二乘法而得到了式（3.16）的样本回归函数，我们就称其为：将Y 对X1, X2, …, Xk 进行了回归。【例】 工资回归模型 利用横截面数据估计参数得到如下包含三个解释变量的模型。Ln(Y)=0.284+0.092X2+0.0041X3+0.022X4 （3.19） 式中，Y＝工资，X2＝受教育年限，X3＝工龄，X4＝现任职务的任期。 在式（3.19）中，系数0.092表示在保持X3和X4固定不变的情况下，劳动者多受一年教育，Ln(Y)增加0.092，即工资增加9.2%。也就是说，如果有两个劳动者具有同样的工龄和现职任期，在受教育水平相差一年时，X2的系数表示了预计工资的差别。（三）调整的判定系数 判定系数R2的一个重要性质是：在回归模型中增加一个解释变量后，它不会减少，而且通常会增大。即R2是回归模型中解释变量个数的非减函数。 在式 （3.20）中，TSS 就是 ，与模型中的X 变量的个数无关。但RSS 即 却与模型中出现的解释变量个数相关。随着X 变量个数的增加， 会减小，至少不会增大；因此，判定系数R2将会增大。所以，使用R2来判断具有相同被解释变量Y 和不同个数解释变量X的回归模型的优劣时就很不适当。 此时，R2不能用于比较两个回归方程的拟合优度。 为了消除解释变量个数对判定系数R2的影响，需使用调整后的判定系数：（3.21） 式中，k 为包括截距项在内的模型中的参数个 数。在二元回归模型中k＝3，在一元回归模型中 k＝2。 所谓调整，就是指 的计算式中的 和 都用它们的自由度（n－k）和(n－1)去除。调整的判定系数 和 R2 的关系为（3.22） 由式（3.22）可以看出：（1）对于k 1，R2。 这意味着， 随着X 变量的个数增 加， 比R2增加得慢些。（2）虽然R2非负，但 可以是负的。在应用中，如果遇到出现负的情形，就令 ＝0。 回归分析中 的应用 在回归分析中，我们的目的并不是为了得到一个高的 ，而是要得到真实总体回归系数的可靠估计并做出有关的统计推断。在实证分析中，经