经典线性回归模型(II)(高级计量经济学清华大学潘文清).pptxVIP

经典线性回归模型(II)(高级计量经济学清华大学潘文清)

引言

经典线性回归模型的基本假设

经典线性回归模型的参数估计

经典线性回归模型的统计检验

经典线性回归模型的预测与应用

经典线性回归模型的扩展与改进

contents

目

录

01

引言

1

2

3

经典线性回归模型能够揭示自变量和因变量之间的线性关系，为研究者提供深入的洞察。

揭示变量关系

通过拟合历史数据，经典线性回归模型可用于预测未来趋势，为决策制定提供有力支持。

预测未来趋势

该模型可用于评估不同自变量对因变量的影响程度，有助于识别关键因素和制定针对性策略。

评估影响因素

03

政策效果评估

高级计量经济学可用于评估政策实施效果，为政策制定者提供科学依据。

01

复杂数据分析

高级计量经济学提供了处理复杂数据集的方法和工具，如面板数据、时间序列数据等。

02

模型优化与选择

通过比较不同模型的拟合优度和预测性能，高级计量经济学有助于选择最优模型。

02

经典线性回归模型的基本假设

模型设定为线性关系

经典线性回归模型假设因变量与自变量之间存在线性关系，即因变量的期望值是自变量的线性函数。

可加性和齐次性

线性性假设还意味着自变量对因变量的影响是可加的，且自变量的影响不依赖于其他自变量的水平。

经典线性回归模型假设误差项的方差是常数，不随自变量的变化而变化。

常数方差

如果误差项的方差非常数，即存在异方差性，那么经典线性回归模型的估计结果将不再有效，需要进行异方差性检验和相应的修正。

异方差性检验

03

经典线性回归模型的参数估计

通过最小化残差平方和来估计模型参数，即求解参数使得实际观测值与模型预测值之差的平方和最小。

OLS的基本思想

构建包含模型参数的残差平方和函数，通过对该函数求导并令导数为零，得到参数估计量的解析解。

OLS的求解过程

在经典线性回归模型的假设下，OLS估计量具有无偏性、一致性和有效性等优良性质。

OLS的性质

MLE的基本思想

通过最大化样本数据的联合概率密度函数（似然函数）来估计模型参数，即求解参数使得观测到当前样本数据的概率最大。

MLE的求解过程

构建包含模型参数的似然函数，通过对该函数求导并令导数为零，得到参数估计量的解析解。在某些情况下，也可以通过数值优化算法求解。

MLE的性质

在经典线性回归模型的假设下，MLE估计量与OLS估计量具有相同的优良性质，如无偏性、一致性和有效性等。

GMM的基本思想

通过选择合适的矩条件并最小化样本矩与模型矩之间的差距来估计模型参数。矩条件可以是任意满足一定条件的统计量，因此GMM具有较大的灵活性。

GMM的求解过程

构建包含模型参数的矩条件，通过对该条件求导并令导数为零，得到参数估计量的解析解。在实际应用中，通常使用数值优化算法进行求解。

GMM的性质

在经典线性回归模型的假设下，GMM估计量具有一致性，但在某些情况下可能不具有无偏性和有效性。因此，在使用GMM时需要谨慎选择矩条件并评估估计量的性质。

01

02

03

04

经典线性回归模型的统计检验

决定系数R^2：表示模型解释变量与被解释变量之间线性关系的强度，取值范围在0到1之间，越接近1说明模型拟合效果越好。

预测误差平方和SSE、回归平方和SSR、总平方和SST：用于计算决定系数R^2及其调整值，反映模型的拟合效果。

调整决定系数AdjustedR^2：针对模型中解释变量数量对R^2的影响进行调整，用于比较不同模型之间的拟合优度。

原假设与备择假设

F统计量

F分布与临界值

F检验的原假设通常为所有解释变量的系数为零，备择假设为至少有一个解释变量的系数不为零。

用于检验原假设是否成立，计算公式为F=(SSR/k)/(SSE/(n-k-1))，其中k为解释变量个数，n为样本容量。

在给定显著性水平下，通过查F分布表得到临界值，将计算得到的F统计量与临界值进行比较，判断原假设是否成立。

05

经典线性回归模型的预测与应用

点预测

利用估计的回归系数，对于给定的自变量取值，计算出因变量的预测值。点预测提供了对因变量未来取值的直接估计。

区间预测

在点预测的基础上，结合估计量的标准误差和置信水平，构造出因变量的预测区间。区间预测给出了因变量未来取值的范围，并反映了预测的不确定性。

社会学

用于研究社会现象和社会问题，如人口增长、教育水平、犯罪率等。经典线性回归模型可用于分析社会因素之间的关系，预测社会趋势等。

经济学

用于分析经济变量之间的关系，如消费与收入、投资与利率等。经典线性回归模型可用于预测经济趋势、评估政策效果等。

金融学

用于研究股票价格、债券收益率等金融资产的定价和波动。经典线性回归模型可用于构建投资组合、风险管理等。

医学

用于分析生物标志物、基因表达等医学数据，以研究疾病的发生和发展机制。经典线性回归模型可用于预测疾病