多元线性回归分析估计.pptVIP

解释多元回归

教育对工资的影响估计教育-经验-工资方程：^wage=^b0+^b1?educ+^b2?exper^wage:工资拟合值；educ:教育年限;exper:劳动力市场经验(年)。差分得到：Δ^wage=^b0+^b1?Δeduc+^b2?Δexper^b1衡量的就是，在工作经验exper不变的情况下，教育每增加1年，工资增加多少元；^b2衡量的是，在教育水平educ不变的情况下，工作经验每增加1年，工资增加多少元；关于多元回归中的“保持其它因素不变”

(Holdingotherfactorsfixed)1多元回归中，所得到的“其他因素不变的效应”，并非是通过在实际抽样中，固定其他因素不变。2在教育-经验-工资一例中，在获得教育对的工资其他条件不变影响时，在实际抽样中，也并非是固定工作经验，收集不同教育年限的样本，来分析教育年限变化，对于工资的影响。3对个体进行随机抽样，就可通过多元回归分析得到“其他因素不变的效应”。4多元回归分析的优势，在于它使我们能在非实验环境中去做自然科学家在受控实验中所能做的事情：保持其它因素不变。一个“剔除其它变量影响”的解释

A“PartiallingOut”Interpretation对于估计的样本回归线可以表示为：？衡量的是，剔除了其他自变量的影响之后，x1对于y的净影响。06根据xi和拟合值，得到残差。残差表示剔除了x2的影响之后，x1的其他部分。它与x2不相关,样本均值为0。04一个“剔除其它变量影响”的解释01首先，将第一个自变量x1对第二个自变量x2进行回归，得到样本回归函数，03然后，将y对进行简单回归得到。05A“PartiallingOut”Interpretation02“剔除其它变量影响”

“PartiallingOut”上述过程表明：将y同时对x1和x2回归得出的x1的影响，与先将x1对x2回归得到残差，再将y对此残差回归得到的x1的影响相同。01同时说明，在多元回归模型中，x1的系数衡量的是，x1中与其他自变量不相关的部分，与y的相关关系。02即，在多元回归模型中，所估计的是，在其他自变量对于x1的影响“被剔除(partialledout)”后，x1对y的影响。03“剔除其它变量影响”

“PartiallingOut”在一个含有k个解释变量的一般模型中，仍然可以写成(3.22)式(证明见本章附录3A.2):010203残差是来自x1对x2…,xk的回归。因此，度量的是，在排除x2…,xk等变量的影响之后，x1对y的影响。*MultipleRegressionAnalysis:Estimation

多元线性回归分析：估计

(1)y=b0+b1x1+b2x2+...bkxk+u第2章内容回顾*DefinitionoftheSimpleRegressionModel简单回归模型的定义MechanicsofOLSOLS相关的代数性质ExpectedValuesandVariancesoftheOLSestimatorsOLS估计量的期望值和方差DerivingtheOrdinaryLeastSquaresEstimates推导普通最小二乘估计量UnitesofMeasurementandFunctionalForm测量单位和函数形式RegressionthroughtheOrigin过原点的回归123456本章大纲*1.为什麽使用多元回归MotivationforMultipleRegression2.普通最小二乘法的操作和解释MechanicsandInterpretationofOrdinaryLeastSquares3.OLS估计量的期望值TheExpectedValuesoftheOLSEstimators4.OLS估计量的方差TheVarianceoftheOLSEstimators5.OLS的有效性：高斯－马尔科夫定理EfficiencyofOLS:TheGauss-Markov