双变量回归的进一步讨论.pptVIP

经济类核心课程·计量经济学PowerPointPresentationbyLuShiguang2012AllRightReserved,HunanInstituteofEngineering经济类核心课程·计量经济学PowerPointPresentationbyLuShiguang2012AllRightReserved,HunanInstituteofEngineering第二章双变量回归的进一步讨论教师：卢时光在上一章的分析中，我们并没有对干扰ui的概率分布作出任何假设。我们对ui的描述是：它们的期望值为0，它们是不相关的，并且有着一个不变的方差。有了这些假设，我们看到最小二乘（OLS）估计量有着非常好的统计性质，例如它们是无偏估计的，最小方差。如果我们的目的仅仅是做点估计，则上述假定就足够好了，但是点估计只是统计推断的一个方面，另一方面则是假设检验。1.正态性假设1.1为什么要对干扰ui的概率分布作出正态性假设？我们的目标并不仅仅是得到，而是要利用它对其真值作出论断。更一般的来说，我们的目的不仅是要得到样本回归函数（SRF），而是要用它来推测总体回归函数（PRF）。那么，我们为什么必须对干扰项ui的概率分布进行进一步的假定呢？事实上，我们在前面的分析中已经强调过，最小二乘（OLS）估计量都是ui的线性函数，因此最小二乘（OLS）估计量的概率分布是依赖于ui的概率分布的。在回归分析中，人们常常愿意假设ui是遵循正态分布的，这种假设是有理由的，我们稍后来证明。我们把假定了干扰ui符合正态分布的模型称为双变量经典正态线性回归模型（CNLRM）。A经典正态线性回归假定每个ui都是正态分布的，且：B顺便指出，对两个正态分布变量来说，零协方差或零相关就意味着这两个变量是互相独立的。1.2正态性假设最后，正态分布是一种简单的，我们熟知的分布。04正态分布的一个基本性质是：正态分布变量的任何线性函数都是正态分布的。这样最小二乘估计量也都是正态分布的。03ui代表了回归模型中未作为自变量引入的，而对因变量产生影响的其他因素的总和。我们希望这些被忽略的变量的影响是微小的，而且充其量是随机的。利用中心极限定理可以证明，如果存在大量的独立且同分布的随机变量，随着这些变量的数量的无限增大，它们的总和将趋于正态分布。01中心极限定理也说明，即便变量的个数是有限的，且不是严格独立的，它们的总和也可以看做是服从正态分布的。02ui符合正态分布的解释：1.3在正态性假设下OLS估计量的性质在正态性假设下，OLS估计量有如下统计性质：1.它们是无偏的。2.它们有最小方差。3.一致性。随样本含量无限地增大，估计量将收敛到它们的真值。4.是正态分布的。5.服从n-2个自由度的分布。6.的分布独立于。7.是最优无偏估计量（BLUE）。是正态分布的是正态分布的1.3与正态分布有关的一些概率分布t分布、CHI分布和F分布与正态分布有着密切关系，在统计推断中被大量的使用。以下以定理的形式将其关系概括，证明请参阅相关文献。回到上一章我们的例子中，我们在最后求得边际消费倾向β2的估计值为0.5091，这是对β2的一个点估计值。虽然大量重复抽样的结果使得估计值的均值可望等于真值（E()=β2)，但单独一次抽样的结果可能是相背离的。01统计学上，一个点估计的可靠性是有它的标准误来衡量的。我们不能完全信赖一个点，而需要构造一个区间，比如在点估计量的两侧各宽2或3个标准误，使得它有95%的可能性包含真实的β2。022.区间估计和假设检验2.1区间估计我们试求两个正数δ和α，α位于0和1之间，使得随机区间包含β2的的概率为1-α。用符号来表示：如果这个区间存在，就称之为置信区间；1-α称为置信系数；而α称显著性水平；置信区间的端点分别称为置信下限和置信上限。注意：（1）上式并没有说β2落在给定区域的概率是1-α，因为β2虽然未知，但是一个确定的数，它落在固定区域的可能性只有1或者0。（2）因为是