购买

¥ 30.0

加入VIP
  • 专属下载特权
  • 现金文档折扣购买
  • VIP免费专区
  • 千万文档免费下载

上传资料

关闭

关闭

关闭

封号提示

内容

首页 经典线性回归模型

经典线性回归模型.ppt

经典线性回归模型

精品课件库
2019-06-22 0人阅读 举报 0 0 暂无简介

简介:本文档为《经典线性回归模型ppt》,可适用于综合领域

第二章经典线性回归模型:双变量线性回归模型回归分析概述双变量线性回归模型的参数估计双变量线性回归模型的假设检验双变量线性回归模型的预测实例§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(PRF)三、随机扰动项四、样本回归函数(SRF)一、变量间的关系及回归分析的基本概念变量间的关系()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。()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。回归分析的基本概念回归分析(regressionanalysis)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。其目的在于通过后者的已知或设定值去估计和(或)预测前者的(总体)均值。被解释变量(ExplainedVariable)或应变量(DependentVariable)。解释变量(ExplanatoryVariable)或自变量(IndependentVariable)。回归分析构成计量经济学的方法论基础其主要内容包括:()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()对回归方程、参数估计值进行显著性检验()利用回归方程进行分析、评价及预测。二、总体回归函数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:一个假想的社区有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。为达到此目的将该户家庭划分为组内收入差不多的组以分析每一收入组的家庭消费支出。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(Conditionaldistribution)是已知的例如:P(Y=|X=)=。因此给定收入X的值Xi可得消费支出Y的条件均值(conditionalmean)或条件期望(conditionalexpectation):E(Y|X=Xi)。该例中:E(Y|X=)=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。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(populationregressionline)或更一般地称为总体回归曲线(populationregressioncurve)。称为(双变量)总体回归函数(populationregressionfunction,PRF)。相应的函数:含义: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。函数形式:可以是线性或非线性的。例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是未知参数称为回归系数(regressioncoefficients)。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。称为观察值围绕它的期望值的离差(deviation)是一个不可观测的随机变量又称为随机干扰项(stochasticdisturbance)或随机误差项(stochasticerror)。例中给定收入水平Xi,个别家庭的支出可表示为两部分之和:()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()其他随机或非确定性(nonsystematic)部分i。称为总体回归函数(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。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:在解释变量中被忽略的因素的影响变量观测值的观测误差的影响模型关系的设定误差的影响其他随机因素的影响。产生并设计随机误差项的主要原因:理论的含糊性数据的欠缺节省原则。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?例:在例的总体中有如下一个样本能否从该样本估计总体回归函数PRF?回答:能该样本的散点图(scatterdiagram):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直线近似地代表总体回归线。该直线称为样本回归线(sampleregressionlines)。记样本回归线的函数形式为:称为样本回归函数(sampleregressionfunctionSRF)。注意:这里将样本回归线看成总体回归线的近似替代则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(sampleregressionmodel)。▼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。即根据估计注意:这里PRF可能永远无法知道。§双变量线性回归模型的参数估计一、双变量线性回归模型的基本假设二、参数的普通最小二乘估计(OLS)三、最小二乘估计量的性质四、参数估计量的概率分布及随机干扰项方差的估计回归分析的主要目的是要通过样本回归函数(模型)SRF尽可能准确地估计总体回归函数(模型)PRF。估计方法有多种其中最广泛使用的是普通最小二乘法(ordinaryleastsquares,OLS)。为保证参数估计量具有良好的性质通常对模型提出若干基本假设。实际这些假设与所采用的估计方法紧密相关。一、线性回归模型的基本假设P假设解释变量X是确定性变量不是随机变量假设随机误差项具有零均值、同方差和无自相关:E(i)=i=,,…,nVar(i)=i=,,…,nCov(i,j)=i≠ji,j=,,…,n异方差序列自相关X假设随机误差项与解释变量X之间不相关:Cov(Xi,i)=i=,,…,n假设服从零均值、同方差、零协方差的正态分布i~N(,)i=,,…,n如果假设、满足则假设也满足如果假设满足则假设也满足。注意:以上假设也称为线性回归模型的经典假设或高斯(Gauss)假设满足该假设的线性回归模型也称为经典线性回归模型(ClassicalLinearRegressionModel,CLRM)。二、参数的普通最小二乘估计(OLS)给定一组样本观测值(Xi,Yi)(i=,,…n)要求样本回归函数尽可能好地拟合这组值普通最小二乘法(Ordinaryleastsquares,OLS)给出的判断标准是:二者之差的平方和最小。最小二乘法的思路为了精确地描述Y与X之间的关系必须使用这两个变量的每一对观察值(n组观察值)才不至于以点概面(做到全面)。Y与X之间是否是直线关系(用协方差或相关系数判断)?若是可用一条直线描述它们之间的关系。在Y与X的散点图上画出直线的方法很多。找出一条能够最好地描述Y与X(代表所有点)之间的直线。问题是:怎样算“最好”?最好指的是找一条直线使得所有这些点到该直线的纵向距离的和(平方和)最小。最小二乘法的思路最小二乘法的思路纵向距离是Y的实际值与拟合值之差差异大拟合不好差异小拟合好所以称为残差、拟合误差或剩余。将所有纵向距离平方后相加即得误差平方和“最好”直线就是使误差平方和最小的直线。拟合直线在总体上最接近实际观测点。于是可以运用求极值的原理将求最好拟合直线问题转换为求误差平方和最小的问题。数学形式最小二乘法的数学原理纵向距离是Y的实际值与拟合值之差差异大拟合不好差异小拟合好所以又称为拟合误差或残差。将所有纵向距离平方后相加即得误差平方和“最好”直线就是使误差平方和最小的直线。于是可以运用求极值的原理将求最好拟合直线问题转换为求误差平方和最小。得到的参数估计量可以写成:称为OLS估计量的离差形式(deviationform)。由于参数的估计结果是通过最小二乘法得到的故称为普通最小二乘估计量(ordinaryleastsquaresestimators)。例:在上述家庭可支配收入消费支出例中对于所抽出的一组样本数参数估计的计算可通过下面的表进行。计量经济学与电脑必须指出模型的建立和实际使用离开了电脑几乎是不可能的。目前已有很多计量经济学软件包可以完成计量经济学模型的参数估计、模型检验、预测等基本运算。几种常见计量软件SAS,SPSS,ET,ESP,GAUSS,MATLAB,MICROTSP,STATA,MINITAB,SYSTAT,SHAZAM,EViews,DATAFIT。本课程采用国家教委推荐的EViews进行案例教学。要求同学们掌握EViews比较熟练地使用它并掌握EViews与其它Windows软件共享信息。学习计量软件的要求鼯鼠五能不如乌贼一技!因此由该样本估计的回归方程为:四、最小二乘估计量的性质当模型参数估计出后需考虑参数估计值的精度即是否能代表总体参数的真值或者说需考察参数估计量的统计性质。一个用于考察总体的估计量可从如下几个方面考察其优劣性:()线性即它是否是另一随机变量的线性函数()无偏性即它的均值或期望值是否等于总体的真实值()有效性即它是否在所有线性无偏估计量中具有最小方差。这三个准则也称作估计量的小样本性质。拥有这类性质的估计量称为最佳线性无偏估计量(bestlinerunbiasedestimator,BLUE)。()渐近无偏性即样本容量趋于无穷大时是否它的均值序列趋于总体真值()一致性即样本容量趋于无穷大时它是否依概率收敛于总体的真值()渐近有效性即样本容量趋于无穷大时是否它在所有的一致估计量中具有最小的渐近方差。当不满足小样本性质时需进一步考察估计量的大样本或渐近性质:OLS参数估计量的有效性指的是:在一切线性、无偏估计量中OLS参数估计量的方差最小。高斯马尔可夫定理(GaussMarkovtheorem)在给定经典线性回归的假定下最小二乘估计量是具有最小方差的线性无偏估计量。五、参数估计量的概率分布及随机干扰项方差的估计随机误差项的方差的估计又称为总体方差。由于随机项i不可观测只能从i的估计残差ei出发对总体方差进行估计。可以证明的最小二乘估计量为它是关于的无偏估计量。§双变量线性回归模型的统计检验一、拟合优度检验二、变量的显著性检验三、参数的置信区间如果Yi=Ŷi即实际观测值落在样本回归“线”上则拟合最好。对于所有样本点则需考虑这些点与样本均值离差的平方和,可以证明:TSS=ESSRSS记总体平方和(TotalSumofSquares)回归平方和(ExplainedSumofSquares)残差平方和(ResidualSumofSquares)Y的观测值围绕其均值的总离差(totalvariation)可分解为两部分:一部分来自回归线(ESS)另一部分则来自随机势力(RSS)。在给定样本中TSS不变如果实际观测点离样本回归线越近则ESS在TSS中占的比重越大因此拟合优度:回归平方和ESSY的总离差TSS、判定系数R统计量称R为(样本)判定系数可决系数(coefficientofdetermination)。判定系数的取值范围:R越接近说明实际观测点离样本线越近拟合优度越高。在例的收入-消费支出例中注:判定系数是一个非负的统计量。它也是随着抽样的不同而不同。为此对判定系数的统计可靠性也应进行检验这将在以后进行。R的其他表示方法拟合优度(或称判定系数、决定系数)判定系数只是说明列入模型的所有解释变量对应变量的联合的影响程度不说明模型中单个解释变量的影响程度。对时间序列数据判定系数达到以上是很平常的但是对截面数据而言能够有就不错了。判定系数达到多少为宜?没有一个统一的明确界限值若建模的目的是预测应变量值一般需考虑有较高的判定系数。若建模的目的是结构分析就不能只追求高的判定系数而是要得到总体回归系数的可信任的估计量。判定系数高并不一定每个回归系数都可信任二、变量的显著性检验回归分析是要判断解释变量X是否是被解释变量Y的一个显著性的影响因素。在双变量线性模型中就是要判断X是否对Y具有显著的线性性影响。这就需要进行变量的显著性检验。变量的显著性检验所应用的方法是数理统计学中的假设检验。计量经济学中主要是针对变量的参数真值是否为零来进行显著性检验的。、假设检验所谓假设检验就是事先对总体参数或总体分布形式作出一个假设然后利用样本信息来判断原假设是否合理即判断样本信息与原假设是否有显著差异从而决定是否接受或否定原假设。假设检验采用的逻辑推理方法是反证法先假定原假设正确然后根据样本信息观察由此假设而导致的结果是否合理从而判断是否接受原假设。判断结果合理与否是基于“小概率事件不易发生”这一原理的、变量的显著性检验检验步骤:()对总体参数提出假设H:=H:()以原假设H构造t统计量并由样本计算其值()给定显著性水平查t分布表得临界值t(n)()比较判断若|t|>t(n)则拒绝H接受H若|t|t(n)则拒绝H接受H对于双变量线性回归方程中的可构造如下t统计量进行显著性检验:在上述收入消费支出例中首先计算的估计值t统计量的计算结果分别为:给定显著性水平=查t分布表得临界值t()=|t|>说明家庭可支配收入在的显著性水平下显著即是消费支出的主要解释变量|t|<,表明在的显著性水平下不显著无法拒绝截距项为零的假设。假设检验可以通过一次抽样的结果检验总体参数可能的假设值的范围(如是否为零)但它并没有指出在一次抽样中样本参数值到底离总体参数的真值有多“近”。三、参数的置信区间要判断样本参数的估计值在多大程度上可以“近似”地替代总体参数的真值往往需要通过构造一个以样本参数的估计值为中心的“区间”来考察它以多大的可能性(概率)包含着真实的参数值。这种方法就是参数的区间估计。如果存在这样一个区间称之为置信区间(confidenceinterval)称为置信系数(置信度)(confidencecoefficient)称为显著性水平(levelofsignificance)置信区间的端点称为置信限(confidencelimit)或临界值(criticalvalues)。对区间估计的形象比喻我们经常说某甲的成绩“大概分左右”可以看成一个区间估计。(某甲的成绩为被估计的参数)P(<<)=大概的准确程度()如:P(<<)==图示如下双变量线性模型中i(i=)的置信区间:在变量的显著性检验中已经知道:意味着如果给定置信度()从分布表中查得自由度为(n)的临界值那么t值处在(t,t)的概率是()。表示为:即于是得到:()的置信度下,i的置信区间是在上述收入消费支出例中如果给定=查表得:由于于是、的置信区间分别为:(,)(,)由于置信区间一定程度地给出了样本参数估计值与总体参数真值的“接近”程度因此置信区间越小越好。要缩小置信区间需要()增大样本容量n。因为在同样的置信水平下n越大t分布表中的临界值越小同时增大样本容量还可使样本参数估计量的标准差减小()提高模型的拟合优度。因为样本参数估计量的标准差与残差平方和呈正比模型拟合优度越高残差平方和应越小。由于置信区间一定程度地给出了样本参数估计值与总体参数真值的“接近”程度因此置信区间越小越好。§双变量线性回归分析的应用:预测问题一、Ŷ是条件均值E(Y|X=X)或个值Y的一个无偏估计二、总体条件均值与个值预测值的置信区间(选学内容)对于双变量线性回归模型给定样本以外的解释变量的观测值X可以得到被解释变量的预测值Ŷ可以此作为其条件均值E(Y|X=X)或个别值Y的一个近似估计。严格地说这只是被解释变量的预测值的估计值而不是预测值。原因:()参数估计量不确定()随机项的影响说明二、总体条件均值与个值预测值的置信区间、总体均值预测值的置信区间由于于是可以证明因此故于是在的置信度下总体均值E(Y|X)的置信区间为其中、总体个值预测值的预测区间由Y=X知:于是式中:从而在的置信度下Y的置信区间为在上述收入消费支出例中得到的样本回归函数为:则在X=处Ŷ=–×=而因此总体均值E(Y|X=)的的置信区间为:<E(Y|X=)<或(,)同样地对于Y在X=的个体值其的置信区间为:<Yx=<或(,)总体回归函数的置信带(域)(confidenceband)教材P个体的置信带(域)对于Y的总体均值E(Y|X)与个体值的预测区间(置信区间):()样本容量n越大预测精度越高反之预测精度越低()样本容量一定时置信带的宽度当在X均值处最小其附近进行预测(插值预测)精度越大X越远离其均值置信带越宽预测可信度下降。§实例:时间序列问题一、中国居民人均消费模型二、我国固定资产投资总额与GDP的关系一、中国居民人均消费模型例考察中国居民收入与消费支出的关系。GDPP:人均国内生产总值(年不变价)CONSP:人均居民消费(以居民消费价格指数(=)缩减)。建立模型拟建立如下双变量回归模型采用Eviews软件进行回归分析的结果见下表该两组数据是年的时间序列数据(timeseriesdata)前述收入消费支出例中的数据是截面数据(crosssectionaldata)。一般可写出如下回归分析结果:()()R=F=DWd=R=T值:C:GDPP:临界值:t()=斜率项:<<符合绝对收入假说模型检验预测年:GDPP=(元)(年不变价)点估计:CONSP==(元)年实测的CONSP(年价):元相对误差:。年人均居民消费的预测区间人均GDP的样本均值与样本方差:E(GDPP)=Var(GDPP)==在的置信度下E(CONSP)的预测区间为:=或:(,)同样地在的置信度下CONSP的预测区间为:=或(,)例我国固定资产投资总额与GDP的关系第一步:建立模型第二步:收集数据采用~年的数据数据来源《中国统计年鉴()》说明:在理论经济学中I表示私人部门投资在我国的统计体系中固定资产投资总额既包括私人部门投资也包括公共部门(政府)的投资。第三步:参数估计(OLS)得第四步:模型检验经济意义检验:b的经济含义是固定资产投资乘数肯定大于按我国的实际情况不是很大估计在或以下通过检验。统计检验:拟合优度检验、参数估计值显著性检验、模型显著性检验。计量经济检验(异方差、序列资相关、随机解释变量、多重共线性)模型预测检验统计检验拟合优度检验样本判定系数线性模型解释了因变量的拟合程度很好。统计检验参数估计值显著性t检验提出原假设:备择假设:构造统计量计算得检验:取=查表得拒绝原假设b显著不为零统计检验方程显著性F检验提出原假设:备择假设:构造统计量计算得检验:取=查表得拒绝原假设b显著不为零线性关系显著。可以发现t=约等于=F那是因为计算有误差。否则应该相等的。预测点预测年固定资产投资总额亿元个值区间预测凝神守一朴而不露

VIP尊享8折文档

用户评价(0)

关闭

新课改视野下建构高中语文教学实验成果报告(32KB)

抱歉,积分不足下载失败,请稍后再试!

提示

试读已结束,如需要继续阅读或者下载,敬请购买!

文档小程序码

使用微信“扫一扫”扫码寻找文档

1

打开微信

2

扫描小程序码

3

发布寻找信息

4

等待寻找结果

我知道了
评分:

/107

经典线性回归模型

¥30.0

会员价¥24.0

VIP

在线
客服

免费
邮箱

爱问共享资料服务号

扫描关注领取更多福利