易丹辉-经济预测与决策1（2019）.pptVIP

* 第三章? 回归预测 ?? 回归预测是通过对观察数据的统计分析和处理，研究与确定事物间相关关系和联系形式进行预测的方法。运用回归分析法寻找预测对象与影响因素之间的因果关系，建立回归模型进行预测。 按方程中影响预测对象因素的多少，分为一元回归和多元回归；按变量之间关系是否线性，分为线性回归和非线性回归。 * ?一、一元线性回归预测 （一）模型形式 将预测对象作为因变量Y，主要影响因素 为自变量X，它们之间的线性关系，从理论上 能够表述为 式中： 和 是固定但未知的参数， 是常数项， 是回归系数， 是那些除X以外，被忽略和(或)无法考虑到的因素，被称为随机项。 实际预测时，随机项是被忽略的无法预测，要得到Y的预测值，只能先估计 、 的值， 利用X的值和下面式子计算得到。 随机项的估计值就是模型的残差，即有 残差的大小在一定程度上反映模型预测的精度，其值越小精度越高。 模型的基本假设： 1）变量X非随机，即变量X与随机项 无关，X 严格外生； 2）变量X与Y之间存在真实的线性关系； 3）随机干扰项服从期望是0，方差为 的正态分布并相互独立，即满足正态性、独立性和同方差性。 * （二）???? 参数估计 1. 最小二乘的基本思想 = = + (总平方和) (剩余平方和) (回归平方和) * 2. 参数的计算 剩余（残差）平方和最小 3. 参数的意义 * （三）模型的检验和评价 1.回归系数的检验 合理性检验 系数符号 系数大小 显著性检验 ： = 0 检验统计量 = t(n-2) 式中， 是参数 估计时的标准差。 ～ ～ * 2. 回归残差的独立性检验 一般来说，残差独立，也就是不存在相关，即完全随机，则残差应该在0附近随机摆动。 残差随着GDP的变化有明显的变化规律，表明模型的残差有一定程度的相关，不满足独立性。 * 导致残差序列的自相关的原因 数学模型选择不合适 模型中包含的自变量数目不合适 序列包含很强的趋势分量 滞后性 3. 残差的同方差性检验 在经典的回归分析中，模型的残差要求是同方差。如果仅考虑两个变量在时间上的变化，残差异方差可能不明显，因而比较关注残差序列的自相关问题。若考虑截面和时序结合的数据，不仅需要关注残差序列的自相关，还要考虑异方差。 残差图 4. 拟合优度检验 检验 = = 回归平方和在总平方和中的比重能够反映回归 模型对样本数据的拟合程度。 的大小表明在因 变量总变异中，由回归模型可以解释的部分所占 的比重。其取值在0到1之间，等于1，表明回归模 型对所有的样本数据点完全拟合，即所有样本数 据点均落在回归直线上，回归模型完全解释了因 变量的变异；等于0，表明什么都没有解释。 5. 回归标准差检验 相对指标 四、精度评价 MAPE * 5. 预测精度的测定 MAPE= ?100 MAPE是模型精度评价中最常用的指标之一，不仅在回归模型使用，在时间序列模型等许多模型中都被运用。一般认为，若MAPE小于10，则模型预测精度较高；小于5，精度很高。 例3.1 * 二、???? 多元线性回归预测 （一）基本原理 多元回归预测因自变量个数的多少，可分为二 元 、三元 或更多元 ，通常以k表示自变量的个数。 多元线性回归模型在一元线性回归基本假定的基础上，增加了自变量之间无共线性。这是要求，所选择的自变量之间不能存在较高度的线性相关。共线性问题是多元线性回归中需要特别关注的问题。 多元线性回归模型的参数同样可以采用最小二乘法进行估计。 * （二）???? 模型检验 1. 回归系数的显著性检验 参数的t检验 作用 检验统计量 检验标准 参数t检验通不过的原因