《计量经济学02一元线性回归模型.ppt》由会员分享，可在线阅读，更多相关《计量经济学02一元线性回归模型.ppt（37页珍藏版）》请在三一办公上搜索。
1、上堂课内容复习,1.计量经济学的定义“用数学方法探讨经济学可以从好几个方面着手，但任何一个方面都不能和计量经济学混为一谈。计量经济学与经济统计学绝非一码事；它也不同于我们所说的一般经济理论，尽管经济理论大部分具有一定的数量特征；计量经济学也不应视为数学应用于经济学的同义语。经验表明，统计学、经济理论和数学这三者对于真正了解现代经济生活的数量关系来说，都是必要的，但本身并非是充分条件。三者结合起来，就是力量，这种结合便构成了计量经济学。”,2.计量经济学的建模步骤,3.计量经济学的应用,一、结构分析二、经济预测三、政策评价四、理论检验与发展,单方程计量经济学模型理论与方法,Theory and
2、Methodology of Single-Equation Econometric Model,第二章 经典单方程计量经济学模型：一元线性回归模型,回归分析概述 一元线性回归模型的参数估计 一元线性回归模型检验一元线性回归模型预测实例,2.1 回归分析概述,一、变量间的关系及回归分析的基本概念,二、总体回归函数,三、随机扰动项,四、样本回归函数（SRF）,2.1 回归分析概述,（1）确定性关系或函数关系：研究的是确定现象非随机变量间的关系。（2）统计依赖或相关关系：研究的是非确定现象随机变量间的关系。,一、变量间的关系及回归分析的基本概念,1、变量间的关系 经济变量之间的关系，大体可分为两类
3、：,对变量间统计依赖关系的考察主要是通过相关分析(correlation analysis)或回归分析(regression analysis)来完成的：,例如：函数关系：,统计依赖关系/统计相关关系：,不线性相关并不意味着不相关；有相关关系并不意味着一定有因果关系；相关分析对称地对待任何（两个）变量，两个变量都被看作是随机的。回归分析对变量的处理方法存在不对称性，即区分应变量（被解释变量）和自变量（解释变量）：前者是随机变量，后者不是。,注意：,回归分析(regression analysis)是研究一个变量关于另一个（些）变量的具体依赖关系的计算方法和理论。其用意：在于通过后者的已知或设定
4、值，去估计和（或）预测前者的（总体）均值。这里：前一个变量被称为被解释变量（Explained Variable）或应变量（Dependent Variable），后一个（些）变量被称为解释变量（Explanatory Variable）或自变量（Independent Variable）。,2、回归分析的基本概念,回归分析构成计量经济学的方法论基础，其主要内容包括：（1）根据样本观察值对经济计量模型参数进行估计，求得回归方程；（2）对回归方程、参数估计值进行显著性检验；（3）利用回归方程进行分析、评价及预测。,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
5、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。,例2.1：一个假想的社区有100户家庭组成，要研究该社区每月家庭消费支出Y与每月家庭可支配收入X的关系。即如果知道了家庭的月收入，能否预测该社区家庭的平均月消费支出水平。,二、总体回归函数,为达到此目的，将该100户家庭划分为组内收入差不多的10组，以分析每一收入组的家庭消费支出。,（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 distribu
6、tion）是已知的，如：P(Y=561|X=800）=1/4。,因此，给定收入X的值Xi，可得消费支出Y的条件均值（conditional mean）或条件期望（conditional expectation）：E(Y|X=Xi),该例中：E(Y|X=800)=561,分析：,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：,在给定解释变量Xi条件下被解释变量Yi的期望轨迹称为总体回归线（population regression line），或更一般地称为总体回归曲线（population regression
7、 curve）。,称为（双变量）总体回归函数（population regression function,PRF）。,相应的函数：,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。,含义：,函数形式：可以是线性或非线性的。,例2.1中，将居民消费支出看成是其可支配收入的线性函数时:,为一线性函数。其中，0，1是未知参数，称为回归系数（regression coefficients）。,三、随机扰动项,总体回归函数说明在给定的收入水平Xi下，该社区家庭平均的消费支出水平。但对某一个别的家庭，其消费支出可能与该平均水平有偏差。,称i为观察值Yi围绕它的期望值E
8、(Y|Xi)的离差（deviation），是一个不可观测的随机变量，又称为随机干扰项（stochastic disturbance）或随机误差项（stochastic error）。,记,例2.1中，个别家庭的消费支出为：,（*）式称为总体回归函数（方程）PRF的随机设定形式。表明被解释变量除了受解释变量的系统性影响外，还受其他因素的随机性影响。,（1）该收入水平下所有家庭的平均消费支出E(Y|Xi)，称为系统性（systematic）或确定性（deterministic)部分。（2）其他随机或非确定性（nonsystematic)部分i。,即，给定收入水平Xi,个别家庭的支出可表示为两部分之
9、和:,(*),由于方程中引入了随机项，成为计量经济学模型，因此也称为总体回归模型。,随机误差项主要包括下列因素的影响：,1）在解释变量中被忽略的因素的影响；2）变量观测值的观测误差的影响；3）模型关系的设定误差的影响；4）其它随机因素的影响。,四、样本回归函数（SRF）,问题：能从一次抽样中获得总体的近似的信息吗？如果可以，如何从抽样中获得总体的近似信息？,问：能否从该样本估计总体回归函数PRF？,回答：能,例2.2：在例2.1的总体中有如下一个样本，,总体的信息往往无法掌握，现实的情况只能是在一次观测中得到总体的一个样本。,核样本的散点图（scatter diagram)：,样本散点图近似于
10、一条直线，画一条直线以尽好地拟合该散点图，由于样本取自总体，可以该线近似地代表总体回归线。该线称为样本回归线（sample regression lines）。,记样本回归线的函数形式为：,称为样本回归函数（sample regression function，SRF）。,这里将样本回归线看成总体回归线的近似替代,则,注意：,样本回归函数的随机形式/样本回归模型：,同样地，样本回归函数也有如下的随机形式：,由于方程中引入了随机项，成为计量经济模型，因此也称为样本回归模型（sample regression model）。,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。,注
11、意：这里PRF可能永远无法知道。,即，根据,估计,五、线性回归模型的基本假设,假设1、解释变量X是确定性变量，不是随机变量；假设2、随机误差项具有零均值、同方差和不序列相关性：E(i)=0 i=1,2,n Var(i)=2 i=1,2,n Cov(i,j)=0 ij i,j=1,2,n 假设3、随机误差项与解释变量X之间不相关：Cov(Xi,i)=0 i=1,2,n 假设4、服从零均值、同方差、零协方差的正态分布 iN(0,2)i=1,2,n,1、如果假设1、2满足，则假设3也满足;2、如果假设4满足，则假设2也满足。,注意：,以上假设也称为线性回归模型的经典假设或高斯（Gauss）假设，满足
12、该假设的线性回归模型，也称为经典线性回归模型（Classical Linear Regression Model,CLRM）。,另外，在进行模型回归时，还有两个暗含的假设：,假设5：随着样本容量的无限增加，解释变量X的样本方差趋于一有限常数。即,假设6：回归模型是正确设定的,假设5旨在排除时间序列数据出现持续上升或下降的变量作为解释变量，因为这类数据不仅使大样本统计推断变得无效，而且往往产生所谓的伪回归问题（spurious regression problem）。假设6也被称为模型没有设定偏误（specification error）,同方差,异方差,通常真实的回归直线是观测不到的。收集样本
13、的目的就是要对这条真实的回归直线做出估计。,（第2版教材第12页）（第3版教材第10页）,六、最小二乘法（OLS Ordinary Least Squares）,（第2版教材第13页）（第3版教材第11页）,正规方程组,该关于参数估计量的线性方程组称为正规方程组（normal equations）。,参数估计量,求解正规方程组得到结构参数的普通最小二乘估计量（ordinary least squares estimators）及其离差形式：,（第2版教材第14页）（第3版教材第13页）,谁提出的OLS估计方法？,（C F Gauss,1777-1855）,C F Gauss 1809年提出OLS估计方法。,例题2.1 人均鲜蛋需求量Y与人均可支配收入X关系,OLS估计结果：,（第2版教材第17页）（第3版教材第15页）,(file:li-2-1),Yt：千克Xt：元,THANKS,第二讲 结束了！,
