《第二章 一元线性回归分析S培训讲学》由会员分享，可在线阅读，更多相关《第二章 一元线性回归分析S培训讲学（88页珍藏版）》请在金锄头文库上搜索。
1、单方程计量经济学模型理论与方法,Theory and 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）,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
2、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； 回归分析/相关分析研究一个变量对另一个（些）变量的统计依赖关系，但它们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（E
3、xplained 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
4、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 distribution）是已知的， 如： P(Y=561|X=800）=1/4。,
5、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 curve）。,称为（双变量）总体回归函数（popula
6、tion 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(Y|Xi)的离差（deviation），是一个
7、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和:,(*),由于方程中引入了随机项，成为计
8、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。,产生并设计随机误差项的主要原因： 1）理论的含糊性； 2）数据的欠缺； 3）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？,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（s
9、catter diagram)：,样本散点图近似于一条直线，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
10、据样本回归函数SRF，估计总体回归函数PRF。,注意：这里PRF可能永远无法知道。,即，根据,估计,2.2 一元线性回归模型的参数估计,一、一元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、参数估计的最大或然法(ML) 四、最小二乘估计量的性质 五、参数估计量的概率分布及随机干 扰项方差的估计,单方程计量经济学模型分为两大类： 线性模型和非线性模型,线性模型中，变量之间的关系呈线性关系 非线性模型中，变量之间的关系呈非线性关系,一元线性回归模型：只有一个解释变量,i=1,2,n,Y为被解释变量，X为解释变量，0与1为待估参数， 为随机干扰项,回归分析的主要目的是要通过样本回
11、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，其种最广泛使用的是普通最小二乘法（ordinary least squares, 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。,注：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,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
12、, 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
13、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）,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=1,2,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（Ordinary least squares, OLS）给出的判断标准是：二者之差的平方和,最小。,方程组（*）称为正规方程组（normal equations）。,记,上述参数估计量可以写成：,称为OLS估计量的离差形式（dev
14、iation form）。 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（ordinary least squares estimators）。,顺便指出 ，记,则有,可得,（*）式也称为样本回归函数的离差形式。,（*）,注意： 在计量经济学中，往往以小写字母表示对均值的离差。,三、参数估计的最大或然法(ML),最大或然法(Maximum Likelihood,简称ML)，也称最大似然法，是不同于最小二乘法的另一种参数估计方法，是从最大或然原理出发发展起来的其它估计方法的基础。 基本原理： 对于最大或然法，当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得从
15、模型中抽取该n组样本观测值的概率最大。,在满足基本假设条件下，对一元线性回归模型：,随机抽取n组样本观测值（Xi, Yi）（i=1,2,n）。,那么Yi服从如下的正态分布：,于是，Y的概率函数为,（i=1,2,n）,假如模型的参数估计量已经求得，为,因为Yi是相互独立的，所以的所有样本观测值的联合概率，也即或然函数(likelihood function)为：,将该或然函数极大化，即可求得到模型参数的极大或然估计量。,由于或然函数的极大化与或然函数的对数的极大化是等价的，所以，取对数或然函数如下：,解得模型的参数估计量为：,可见，在满足一系列基本假设的情况下，模型结构参数的最大或然估计量与普通
16、最小二乘估计量是相同的。,例2.2.1：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2.2.1进行。,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： （1）线性性，即它是否是另一随机变量的线性函数； （2）无偏性，即它的均值或期望值是否等于总体的真实值； （3）有效性，即它是否在所有线性无偏估计量中具有最小方差。,（4）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； （5）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； （6）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。,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（b
