第二章 简单线性回归.ppt

第二章 简单线性回归; 何谓简单线性回归模型;第一节 回归分析和回归方程;1.1 经济变量之间的关系;1.2 相关关系;正相关（我国人均消费函数）;负相关;不相关（不排除存在曲线相关）;1.2.2 线性相关程度的度量 ——线性相关系数;使用相关系数要注意：;1.3 回归分析和相关分析;1.3.2 回归函数、回归线;回归线图示;注意：; 由于变量间关系的随机性，回归分析关心的是根据解释变量的已知或给定值，考察被解释变量的总体均值，即当解释变量取某个确定值时，与之统计相关的被解释变量所有可能出现的对应值的平均值。;第十六页，共一百一十五页，2022年，8月28日; （1）由于不确定因素的影响，对同一收入水平X，不同家庭的消费支出不完全相同； （2）但由于调查的完备性，给定收入水平X的消费支出Y的分布是确定的，即以X的给定值为条件的Y的条件分布（Conditional distribution）是已知的， 如： P(Y=561|X=800）=1/4。; 描出散点图发现：随着收入的增加，消费“平均地说”也在增加，且Y的条件均值均落在一根正斜率的直线上。这条直线称为总体回归线。;概念：; 回归函数（PRF）说明被解释变量Y的平均状态（总体条件期望）随解释变量X变化的规律。;1.4.2 总体回归函数的表现形式;1.5 随机扰动项;为什么要引入随机扰动项;简单线性需求函数——不可能包罗万象地引入全部影响变量;次要因素的综合效应是不能忽视的;必须另外寻找解决问题的思路;由中心极限定理μ服从正态分布;随机扰动项产生的原因;（5）数据的欠缺 （6）糟糕的替代变量 （7）理论的含糊性;1.6 样本回归函数（SRF）;核样本的散点图（scatter diagram)：; 这里将样本回归线看成总体回归线的近似替代; 样本回归函数的随机形式/样本回归模型：; ▼回归分析的主要目的：根据样本回归函数SRF，估计总体回归函数PRF。;1.6.2 对样本回归函数的说明;1.6.3 残差;回归分析的思路;第二节 简单线性回归模型的最小二乘估计（OLS）;2.1 简单线性回归的基本假定;2.1.2 假定的两个方面：（1）关于变量和模型的基本假定;假定的两个方面：（2）关于随机扰动项;注意：;2.1.3 Y的分布性质;2.2 普通最小二乘法（OLS）;2.2.1 最小二乘法的基本思想;三种距离;Y;2.2.2 最小二乘法的数学过程;2.2.3 OLS估计结果的离差形式;2.2.4 几个有用的结果;2.3 OLS 回归线的性质;2.3.1 回归线过样本均值;2.3.2 残差和为零;2.3.3 Y的真实值和拟合值有共同的均值;性质4、5;样本回归直线性质总结 ;2.4最小二乘估计量的性质;（4）渐近无偏性，即样本容量趋于无穷大时，是否它的均值序列趋于总体真值； （5）一致性，即样本容量趋于无穷大时，它是否依概率收敛于总体的真值； （6）渐近有效性，即样本容量趋于无穷大时，是否它在所有的一致估计量中具有最小的渐近方差。;2.4.1 线性：最小二乘估计量是关于Yi的线性函数;2.4.2 无偏性;2.4.3 有效性;2.4.4 参数的分布、残差方差的估计;OLS参数估计量的有效性指的是：在一切线性、无偏估计量中，OLS参数估计量的方差最小。;3、最大似然法;3.1、估计步骤;对数似然函数 ;3.2、讨论;第四节 回归系数的区间估计和假设检验;4.1 回归系数的标准化;4.2 回归系数的区间估计;4.2.1 区间估计的概念;对区间估计的形象比喻;4.2.2 区间估计的步骤：;4.2.3 已知扰动项方差，对的区间估计;4.2.4 未知扰动项方差，对的区间估计;（2）小样本下; 区间估计，统计量选择小结;4.2.5 扰动项方差的区间估计;4.3 回归系数的假设检验;4.3.1 假设检验的概念;4.3.2 假设检验的步骤：;假设检验的具体操作步骤（已知方差 ，检验 为例）;4.3.3 假设检验中统计量的选择;4.3.4 回归系数假设检验及意义;第五节 拟合优度的度量;问题的提出; 5.1 总离差;5.1.1 总平方和（总变差）、回归平方和、残差平方和的定义;5.1.2 平方和分解：TSS＝ESS＋RSS;平方和分解的意义;5.2 可决系数（或称判定系数）;可决系数（续）;可决系数达到多少为宜？;5.3 可决系数和相关系数的联系;可决系数和相关系数的区别;5.4 自由度的分解;自由度是指变量可以自由取值得个数