第三讲经典单方程计量经济学模型.doc

第三讲 经典单方程计量经济学模型：多元线性回归模型学习目标： 理解多元线性回归模型的基本表达形式 理解多元线性回归模型的基本假设，并比较与一元线性回归模型的基本假设 掌握多元线性回归模型参数估计的普通最小二乘法 掌握多元线性回归模型的统计学检验并理解其作用和意义 拟合优度检验（调整的可决系数、赤池信息准则和施瓦茨准则）方程总体线性的显著性检验（F检验）变量的显著性检验（t检验） 理解多元线性回归模型的预测问题3.1 多元线性回归模型一、多元线性回归模型的一般形式多元线性回归模型:表现在线性回归模型中的解释变量有多个。其中：k为解释变量的数目，bj称为回归系数；bj也被称为偏回归系数，表示在其他解释变量保持不变的情况下，Xj每变化1个单位时，Y的均值E(Y)的变化; 或者说bj给出了X j的单位变化对Y均值的“直接”或“净”（不含其他变量）影响。习惯上：把常数项看成一虚变量的系数，该虚变量的样本观测值始终取1。于是，模型中解释变量的数目为（k+1）练习题：1. 产量（X，台）与单位产品成本（Y，元/台）之间的回归方程为，这说明_。A 产量每增加一台，单位产品成本增加356元B 产量每增加一台，单位产品成本减少1.5元C 产量每增加一台，单位产品成本平均增加356元D 产量每增加一台，单位产品成本平均减少1.5元2. 在二元线性回归模型中，表示_。A 当X2不变时，X1每变动一个单位Y的平均变动。B 当X1不变时，X2每变动一个单位Y的平均变动。C 当X1和X2都保持不变时，Y的平均变动。D 当X1和X2都变动一个单位时，Y的平均变动。二、多元线性回归模型的基本假定假设1. 回归模型是正确设定的；模型没有设定偏误（specification error）； 假设2. 解释变量是非随机的或固定的，且各X之间互不相关（无多重共线性）； 假设3. 解释变量X在所抽取的样本中具有变异性，随着样本容量的无限增加，解释变量X的样本方差趋于一个非零的有限常数。避免伪回归问题（spurious regression problem）；假设4. 随机误差项m具有零均值、同方差和不序列相关性： E(mi)=0 i=1,2, ,n Var (mi)=s2 i=1,2, ,n Cov(mi, mj)=0 ij i,j= 1,2, ,n假设5. 随机误差项m与解释变量X之间不相关： Cov(Xi, mi)=0 i=1,2, ,n 假设6. m服从零均值、同方差、零协方差的正态分布 miN(0, s2 ) i=1,2, ,n3.2 多元线性回归模型的参数估计一、普通最小二乘估计 *二、最大或然估计（了解）*三、矩估计 （了解）四、样本容量问题1. 最小样本容量所谓“最小样本容量”，即从最小二乘原理和最大似然原理出发，欲得到参数估计量，不管其质量如何，所要求的样本容量的下限。样本最小容量必须不少于模型中解释变量的数目（包括常数项）,即 n k+1因为，无多重共线性要求：秩(X)=k+12. 满足基本要求的样本容量 从统计检验的角度： n30 时，Z检验才能应用； n-k8时, t分布较为稳定 一般经验认为: 当n30或者至少n3(k+1)时，才能说满足模型估计的基本要求。 模型的良好性质只有在大样本下才能得到理论上的证明 五、估计实例 建立中国城镇居民人均消费支出的多元线性回归模型l 被解释变量：地区城镇居民人均消费CONSUl 解释变量：地区城镇居民人均可支配收入INCOU前一年地区城镇居民人均消费CONSU1l 样本：2006年，31个地区3.3 多元线性回归模型的统计检验一、拟合优度检验1可决系数与调整的可决系数问题：在应用过程中发现，如果在模型中增加一个解释变量， R2往往增大（Why?)这就给人一个错觉：要使得模型拟合得好，只要增加解释变量即可。 但是，现实情况往往是，由增加解释变量个数引起的R2的增大与拟合好坏无关，R2需调整。调整的可决系数（adjusted coefficient of determination） 在样本容量一定的情况下，增加解释变量必定使得自由度减少，所以调整的思路是:将残差平方和与总离差平方和分别除以各自的自由度，以剔除变量个数对拟合优度的影响:其中：n-k-1为残差平方和的自由度，n-1为总体平方和的自由度。*2赤池信息准则和施瓦茨准则为了比较所含解释变量个数不同的多元回归模型的拟合优度，常用的标准还有：赤池信息准则（Akaike information criterion, AIC） 施瓦茨准则（Schwarz criterion，SC） 这两准则均要求仅当所增加的解释变量能够减少AIC值或AC值时才在原模型中增加该解释变量。 二、方程的显著性检验(F检验) 方程的显著性检验，旨在对模型中被解释变量与解释变量之间的线性关系在总体上是否显著成立作出推断。l 方程显著性的F检验 即检验模型 Yi=b0+b1X1i+b2X2i+ +bkXki+mi i=1,2, ,n中的参数bj是否显著不为0。 （1）提出如下原假设与备择假设： H0： b1=b2= =bk=0 H1： bj不全为0 （j=1,2,k） （2）F检验的思想来自于总离差平方和的分解式： TSS=ESS+RSS 如果这个比值较大，则X的联合体对Y的解释程度高，可认为总体存在线性关系，反之总体上可能不存在线性关系。 因此，可通过该比值的大小对总体线性关系进行推断。根据数理统计学中的知识，在原假设H0成立的条件下，统计量 服从自由度为(k , n-k-1)的F分布。 给定显著性水平a，可得到临界值Fa(k,n-k-1)，由样本求出统计量F的数值，通过 F Fa(k,n-k-1) 或 FFa(k,n-k-1)来拒绝或接受原假设H0，以判定原方程总体上的线性关系是否显著成立。 三、变量的显著性检验（t检验）l 方程的总体线性关系显著每个解释变量对被解释变量的影响都是显著的。l 因此，必须对每个解释变量进行显著性检验，以决定是否作为解释变量被保留在模型中。l 这一检验是由对变量的 t 检验完成的。