计量经济学第二章.ppt

《计量经济学第二章.ppt》由会员分享，可在线阅读，更多相关《计量经济学第二章.ppt（62页珍藏版）》请在三一办公上搜索。

1、1,第二章 两变量线性回归,2,本章主要内容,第一节 两变量线性回归模型第二节 参数估计第三节 最小二乘估计量的性质第四节 回归拟合度评价和决定系数第五节 统计推断第六节 预测,3,引言,本章介绍两变量线性回归分析。两变量线性回归分析的对象是两变量单向因果关系，模型的核心是两变量线性函数，分析方法是回归分析。两变量线性回归分析是经典计量经济分析的基础，掌握两变量线性回归分析的原理和技术，对进一步学习多元回归和其他计量经济分析方法都有帮助。,4,第一节 两变量线性回归模型,一、模型的建立 二、模型的假设,5,一、模型的建立,变量和函数式变量关系的随机性,6,变量和函数式,两变量线性因果关系：Y=

2、+X Y被解释变量 X解释变量、待定参数,7,1、模型根据：,（1）研究问题的需要；（2）经济理论和观点；（3）利用经验和数据分布情况；（4）非线性函数和线性变换。,8,2、例子：,（1）上海经济消费函数研究 P66；（2）科布道格拉斯生产函数 P68；,9,例3-1 上海经济的消费规律研究,10,例3-1 上海经济的消费规律研究,11,变量关系的随机性,1、在经济问题中精确的因果关系实际上不存在。人类经济行为本身的随机性；两变量线性关系 通常只是抓了主要矛盾，而忽略的其他众多因素的影响。2、正确的计量经济模型应该是随机模型：Y=+X+；为随机扰动项。,12,二、模型的假设,1、特定的方法适用

3、的模型是有条件的，因此必须对模型先作设定。2、六条假设（1）变量间存在随机函数关系Y=+X+；（2）误差项均值为0；（3）误差序列同方差；（4）误差序列不相关；（5）X是确定性的，非随机变量；（6）误差项服从正态分布。,13,对假设的进一步分析,1、前五条假设是古典线性回归模型的基本假定；2、假设（2）是反映线性回归模型本质的基本假设；3、假设（3）的意义是对应不同观测数据组误差项分布的发散趋势相同，或有相同形状的概率密度函数；4、假设（4）的意义是对应不同观测值的误差项之间没有相关性；5、假设（5）和（6）都是为了回归分析和统计推断的方便而要求的，人为性较大的假设。,14,第二节 参数估计,

4、一、最小二乘估计二、消费函数参数估计,15,一、最小二乘估计,建立两变量线性回归模型后，根据样本数据估计模型的参数，是线性回归分析的核心步骤。对满足模型假设两变量线性回归模型的参数，最有效的估计方法是最小二乘法。,16,最小二乘法是根据随机变量理论值和实际值的拟合程度估计参数的。线性回归模型的理论值可以用样本回归直线上点的坐标表示，实际值就是样本观测数据，因此线性回归模型理论值与实际值的拟合，就是样本回归直线对观测数据的拟合。,17,若两变量线性回归模型为：参数估计的思路就是找到能很好拟合样本数据的样本回归直线，近似模型总体回归直线E(Y)=+X，从而得到和 的估计a和b。,18,判断拟合程度

5、最基本的标准是样本点与回归直线的偏差，称为“回归残差”或“残差”。越小回归直线离样本点越近，如果所有样本点的回归残差都较小，回归直线对样本趋势的拟合当然最好。一般采用残差平方和=作为判断回归直线对样本数据拟合程度的标准，残差平方和越小就认为拟合程度越好。,19,核心：残差平方和 最小。,20,参数估计值,21,若两变量线性回归模型无常数项，即模型为，这时只有一个需要估计的参数，上述最小二乘估计的方法仍然是一致的。最小二乘估计的残差平方和为 令该残差平方和对b的偏导数等于0，不难求得：b=,22,二、消费函数参数估计,以例31建立的消费函数模型为例，具体说明如何用最小二乘法估计模型中的参数。,2

6、3,例3-3上海经济的消费规律研究,24,例3-3 上海经济的消费规律研究,Estimation Command:=LS Y C XEstimation Equation:=Y=C(1)+C(2)*XSubstituted Coefficients:=Y=237.5+0.75*X,25,例3-3 上海经济的消费规律研究,Dependent Variable:YMethod:Least SquaresDate:10/04/04 Time:20:14Sample:1981 2002Included observations:18-Variable CoefficientStd.Error t-St

7、atistic Prob.C 237.5 35.50781 4.074556 0.0009X 0.75 0.008022 98.45858 0.0000-R-squared 0.998352 Mean dependent var 2807.444Adjusted R-squared 0.998249 S.D.dependent var 2333.000S.E.of regression 97.61747 Akaike info criterion 12.10443Sum squared resid 152466.7 Schwarz criterion12.20336Log likelihood

8、-106.9399 F-statistic9694.092Durbin-Watson stat1.082919 Prob(F-statistic)0.000000,26,第三节 最小二乘估计量的性质,一、最小二乘估计的线性性二、最小二乘估计的均值和无偏性三、最小二乘估计的方差和最小方差性四、最小二乘估计的一致性,27,一、最小二乘估计的线性性：,参数估计量可以表示为被解释变量观测值的线性组合。b的线性性 b,28,若把每项因子 记为，就得到：b=，这表明b是随机变量Y 的线性组合。a 的线性性：,29,令=V，得a=这表明a同样是随机变量Y 的线性组合。线性性对于确定最小二乘估计量服从什么分布

9、非常重要。由于解释变量X是确定性的，与最小二乘估计量的分布性质无关，因此最小二乘估计量可以表示为被解释变量观测值Y的线性组合，就与Y有相同类型的概率分布。,30,和V 两个指标的性质,0，1，1，0,31,二、最小二乘估计的均值和无偏性,定义：参数估计量的均值就是真实值：b的无偏性的证明,32,a的无偏性同理可证。意义：参数估计量是以参数真实值为分布中心的随机变量，反复抽样估计可得真实值。这是重要的分布性质，是推断分析的基础。因为同时具有线性性和无偏性，因此最小二乘估计量是线性无偏估计量。,33,三、最小二乘估计的方差和最小方差性,在参数估计是无偏估计、线性无偏估计的基础上，方差较小的则意味着

10、参数估计的精确程度较高，统计推断的效果也较好。b的方差：a的方差：,34,在所有可能的线性无偏估计中，最小二乘估计a和b的方差最小。这个性质称为最小方差性，也称为有效性。最小二乘估计是参数真实值的最小方差线性无偏估计，也称为最优线性无偏估计或BLUE估计。,35,四、最小二乘估计的一致性,定义：参数估计量的概率极限等于参数真实值。意义：属于大样本性质。保证增加样本容量可以逼近参数真实值。最小二乘估计在模型假设下是一致估计。,36,第四节 回归拟合度评价和决定系数,一、拟合度评价的意义二、离差分解和决定系数,37,一、拟合度评价的意义,评价回归分析、参数估计优劣的根本标准，是回归直线对样本数据的

11、吻合程度，也称为“拟合度”或“回归拟合度”。回归拟合度是判断和检验参数估计方法的方法之一。回归拟合度也是检验模型变量关系真实性，判断模型假设是否成立的重要方法。,38,二、离差分解和决定系数,残差平方和不适用作为拟合度的评价指标。用Y 的离差被回归值或X 的离差决定的程度作为评价拟合度的标准。离差分解 SST=SSR+SSE（式33）。,39,1、离差分解,总离差平方和 SST=其中 称为“回归平方和”，记为SSR。残差平方和 记为SSE。,+,40,（3-3）式表明被解释变量Y的离差平方和可以分解为两部分，一部分是回归平方和，另一部分则是残差平方和。前一部分SSR相对后一部分SSE越大，说明

12、回归拟合程度越好，Y与X之间的线性决定关系越明显。,41,2、决定系数,为了突出这几部分之间的相对关系，将（3-3）式两边同除以SST 得到：1=+式中的 正是反映解释变量（或回归直线）对被解释变量决定程度的指标，称为“决定系数”，通常用R 表示。,42,R 的数值在0到1之间，是一个相对比重指标，可以避免样本数量和样本数值、单位的影响，因此在不同模型和不同样本的回归分析中具有可比性，是比残差平方和更合理的回归拟合度指标。,43,第五节 统计推断,一、最小二乘估计的分布和标准化二、误差项方差的估计三、参数的置信区间和假设检验,44,一、最小二乘估计的分布和标准化,线性回归模型的统计推断需要以参

13、数估计量的概率分布为基础。根据对最小二乘估计量性质的分析，已知最小二乘估计量服从以参数真实值为中心，以误差项方差的一个比例为方差的正态分布。,45,参数最小二乘估计量的这种分布性质，使得参数估计量与真实值通过概率分布联系在一起，从而可以通过参数估计量的分布性质推断参数真实值的情况等。在利用正态分布随机变量进行统计推断分析之前，需要先把它们变换为服从标准正态分布的统计量。对于b可以通过下列变换转化为服从标准正态分布的随机变量,46,二、误差项方差的估计,标准状态分布中包含未知参数,必须先估计出来。本身也是线性回归模型的重要组成部分，是反映这一部分情况的基本参数。因为 因此 是 的无偏估计。,47

14、,称“残差的标准差”。用 代，得到的统计量服从t分布，而不是正态分布。如：服从自由度为n-2的t分布。,48,三、参数的置信区间和假设检验,1、参数的置信区间2、模型参数的显著性检验3、其他假设检验,49,1、参数的置信区间（以参数 为例）,假设要求的置信度是95%，也就是显著性水平根据t分布的意义，有：整理该式得到：,50,这就是参数 的置信度为95%的置信区间，或者说区间估计。构造参数的置信区间是非常重要的。置信区间限定了参数估计量与参数真实值的偏差程度，使我们对变量关系的了解更加深入和明确，对经济规律的可靠程度和适用情况更有把握。区间估计常常比点估计更加重要。,51,2、模型参数的显著性

15、检验,模型参数的显著性检验，即检验模型参数是否显著异于0，是其中基本的一种假设检验。两变量线性回归模型的基本出发点就是两个变量之间存在因果关系，认为解释变量是影响被解释变量变化的主要因素，而这种变量关系是否确实存在或者是否明显，会在参数中反映出来。,52,检验的具体方法如下：作原假设 备择假设仍然选择95%置信度，那么95%的可能性 应该满足,53,如果原假设 成立，也就是说可以认为 是等于0的，那么就意味着：95%的可能性会成立。如果结果该不等式不成立，应该拒绝接受原假设，认为参数是显著的，变量关系是存在的。如果该不等式不成立，就不能拒绝接受原假设，只能认为没有显著性，变量关系并不明显存在。

16、,54,第六节 预测,一、点预测二、点预测的性质三、区间预测,55,一、点预测,预测就是以估计出参数的线性回归模型为基础，对对应解释变量特定水平、未来值的被解释变量水平进行估计判断。检验模型时通常把观测数据分成两部分，一部分用来进行回归估计参数，一部分用来进行预测和评估模型的预测效果。,56,点预测公式预测残差（误差）：由于 未知，因此预测误差也未知。,57,二、点预测的性质,1、线性性 是一个线性预测，线性性的意义仍然是可以表示为 的线性组合。,58,2、无偏性,的第二个性质是无偏性，即是 的无偏预测，或。这个性质也很容易证明，因为 0,59,3、预测方差和最小方差性,作为随机变量，预测量 的方差也有重要意义，方差大小也是影响预测可靠性和价值的重要方面，利用预测量的分布性质进行区间预测要用到它。根据与的关系，以及证明无偏性时得到的展开式等有：,60,这就是预测量 和预测误差 的方差。,61,三、区间预测,有了上述对点预测量性质的分析，我们可以与构造参数的区间估计一样，构造对的 预测置信区间，或者说“区间预测”。先将 标准化为服从标准正态分布的统计量，然后用 代替，得到服从t分布的统计量。,62,根据样本容量n，以及显著性水平 或，查t分布临界值表得 的置信区间为,