计量经济学 课件 第4章 经典计量模型：最小二乘估计的统计检验与预测.pptx

第四章 经典计量模型：最小二乘估计的统计检验与预测学习目标：1. 掌握线性回归模型进行拟合优度检验的方法。2. 掌握线性回归模型变量显著性t检验和方程显著性F检验的方法。3. 能够利用模型回归结果进行样本外预测，了解影响预测误差的因素并进行预测评价。第一节 拟合优度检验拟合优度是一个反映样本回归方程对样本观测值拟合程度的指标。拟合优度检验结果所表示的优劣可以进行不同样本或不同研究问题之间的横向比较。如图4-1和4-2是两个不同样本采用最小二乘法求出的拟合直线，但图4-2样本点和回归直线更加接近，故拟合效果比图4-1好。图 4-1 x和y的散点图 图4-2 x和y的散点图一、一元线性回归模型的拟合优度检验（一）总变差平方和的分解 ?对于观测值，定义其离差或变差为，可以分解为 (4.1.1)即为残差和两部分，如右图4-3所示。定义如下的平方和：总变差平方和（Total Sum of Squares）回归平方和（Explained Sum of Squares）残差平方和（Residual Sum of Squares） 图4-3 总变差分解示意图?将(4.1.1)式左右两边取平方和，可以得到： (4.1.2) （）(4.1.2)式化为 因此可以得到即总变差平方和等于回归平方和与残差平方和之和。（二）拟合优度及其特征?总变差平方和可以分解为回归平方和与残差平方和，总变差平方和中回归平方和越大，残差平方和越小，样本回归直线对样本拟合的越好，因此定义拟合优度为 (4.1.3) 拟合优度的评价指标具有如下特征：（1）也称为决定系数（Coefficient of determination），也可以称为确定系数、判定系数、可决系数等，取值范围为0和1之间；（2）若的取值越接近于1，说明样本观测值离样本回归线越近，拟合效果越好；若的取值越接近0 ，则表示拟合效果越差。?（3）一元线性回归模型的决定系数等于和的相关系数的平方，即。由最小二乘估计量 ] 二、多元线性回归模型的拟合优度检验（一）决定系数?多元线性回归模型也是利用决定系数来度量样本回归方程对样本观测值的拟合程度。对于多元线性回归模型 与一元线性回归模型相同，存在TSS=ESS+RSS。在多元线性回归模型中，总变差平方和为 （） （） = （正规方程） （） (4.1.4)?类似地回归平方和为 （）残差平方和为 因此可得以二元线性回归模型为例说明总变差分解：如右图4-4所示。图4-4 二元线性回归的总变差分解示意图在多元线性回归模型中，决定系数为 (4.1.5)决定系数的取值范围在[0, 1]之间，其中越接近1，样本回归函数对样本观测值拟合的越好，解释变量对被解释变量越具有解释力；而越接近0，拟合程度越差。?2. 修正的决定系数(4.1.5)式所定义的决定系数有这样的特点，即模型中增加一个解释变量，决定系数通常增大，主要是因为残差平方和RSS随着解释变量个数的增加而减小。 但是为了提高模型的拟合优度，也不需要引入更多的解释变量？因为若引入不重要的解释变量，残差的方差估计值可能会增大，进而会增大置信区间和预测区间。这样，对于多元回归模型，决定系数作为评价模型拟合优劣的指标，出现了问题。因此，需要修正决定系数。??决定系数只涉及变差，没有考虑自由度。修正的思路是用自由度去调整所计算的变差。由右表4-1方差分析表可知：总变差平方和的自由度为；残差平方和的自由度；回归平方和的自由度。用自由度去调整变差，则修正的决定系数为： (4.1.6)则和的关系是： (4.1.7)表4-1方差分析变差平方和自由度总变差 回归变差 残差 变差平方和自由度总变差回归变差残差?需要注意的是：当模型中引入重要的解释变量时，虽然自由度会减少1，但由于会明显减小，因此会减少，会增大，这一解释变量应该引入模型；当模型中引入不重要的解释变量时，自由度会减少1，但由于只能微弱减小，因此不降反增，导致会减小，就可以判断出这一解释变量不应引入模型。 因此，可以用修正的决定系数来进行多元线性回归模型的拟合优度检验。重要事项：?（1）决定系数必定非负，但修正的决定系数可能为负值，此时规定；（2）当待估参数个数k时，；当待估参数个数k1，的值比小； （3）和值较大并不意味着解释变量与被解释变量一定具有因果关系，而可能是一种相关关系，也不能说明所引入的解释变量都是显著和正确的。因此，解释变量是否是被解释变量的真实原因，还需要结合经济理论和其他检验共同判别。第二节 t检验和F检验一、最小二乘估计量的分布对于一元线性回归模型，由于假定，是的线性函数，因此服从正态分布，即随机误差项的正态性决定了最小二乘估计量的正态分布性质。在第三章，估计量性质中，已经证明，故可知 同样可求得 对于多