《线性回归模型的矩阵方法》由会员分享，可在线阅读，更多相关《线性回归模型的矩阵方法（20页珍藏版）》请在金锄头文库上搜索。
1、第四章 线性回归模型的矩阵方法教师：卢时光本章介绍用矩阵代数符号来表示经典线性回归模型。本章除矩阵模型之外，不涉及新概念。矩阵代数最大的优越性在于，它为处理任意多个变量的回归模型提供了一种简洁的方法。本章需要具有行列式和矩阵代数的数学基础，请各位同学自行复习相关知识。在本章的讲授过程中所遇到的有关矩阵计算的定理和结论，不再一一证明，请自行参考有关书籍。4.1 k变量的线性回归模型如果我们把双变量和三变量的回归模型进行推广，则包含应变量Y和k-1个解释变量X2，X3，Xk的总体回归函数（PRF）表达为：其中，1截距， 2 到k是偏斜率（回归）系数，u是随机干扰项，i是第i次观测，n为总体大小。总
2、体回归函数如同以前那样解释：给定了X2，X3，Xk的固定值（在重复抽样中）为条件的Y的均值或期望值。PRF还可以表达为：上述表达式，如果写出矩阵的形式：这样，我们把下述方程表达称之为：一般（k变量）线性模型的矩阵表现：如果矩阵和向量的各个维数或阶不会引起误解，则可以简单写作：y ：对应变量Y观测值的n1列向量。X：给出对k-1个变量X2至Xk的那次观测值的nk矩阵，其全为1的列表示截距项。此阵又称为数据矩阵。：未知参数1 到k的k1列向量。u ： n个干扰ui的n1列向量。4.2 经典回归模型的假定的矩阵表达1. 残差期望为零2. 同方差性和无序列相关性u是列向量u的转置或者一个行向量。做向量
3、乘法：由于同方差性和无序列相关性，我们得到干扰项ui的方差-协方差矩阵。此阵的主对角线（由左上角到右下角）上的元素给出方差，其他元素给出协方差。注意方差-协方差矩阵的对称性。其中I是一个恒等矩阵。3.X是非随机的。我们的分析是条件回归分析，是以各个X变量的固定值作为条件的。4.无多重共线性无多重共线性是指矩阵X是列满秩的，即其矩阵的秩等于矩阵的列数，意思是，X矩阵的列是线性独立的。存在一组不全为零的数12k，使得：用矩阵来表示：5.向量u有一多维正态分布，即：4.3 OLS估计我们先写出k变量样本回归函数：如同前面的分析，我们也是从残差平方和的最小化来进行的：为了使得残差平方和 尽可能的小，我
4、们仍然是对参数1 到k微分，并令微分的结果表达式为零，同样得到最小二乘理论的正则方程：k个未知数的k个联立方程。整理后：注意(XX)矩阵的特点：1.主对角线是元素的平方和；2.因为X2i与X3i之间的交叉乘积就是之间X3i与X2i的交叉乘积，因此矩阵的对称的；3.它的阶数是（kk），就是k行与k列。上述方程是用矩阵符号来表示的OLS理论的一个基本结果。上述方程也能够通过uu对的微分直接求得，请大家自行参考相关文献。一个例子： 收入-消费Y1X7080651009012095140110160115180120200140220155240150260 的方差-协方差矩阵矩阵方法不仅能使我们导出
5、 的任意元素 的方差公式，还求出 的任意两元素 和 的协方差。我们需要用这些方差和协方差来做统计推断。定义：参考相关资料，上述方差-协方差矩阵可以从下述公式计算：其中 是ui的共同方差，而 就是出现在OLS估计量方程中的逆矩阵。和前面一样， 用其无偏估计量 来替代： 的计算原理上 可以从估计的残差中算出，但实践中更愿意按照下述方法直接得到。回顾： 一项被称为均值校正值。因此：一旦得到 则 就容易计算。回到我们的例子中：4.4 用矩阵来表示判定系数R24.5 关于个别回归系数的假设检验的矩阵表达我们曾经假设每一个ui都服从均值为0和不变方差的正态分布。用矩阵符号来表示，为：其中，u和0都是n1列
6、向量，I是nn恒定矩阵，0是零向量。在k阶回归模型中，我们可以证明：由于实际的 未知，我们使用估计量 ，就要用到从正态分布到t分布的的转换，这样 每一个元素都遵循n-k个自由度的t分布。利用t分布来检验关于真值 的假设，并建立它的置信区间，具体的方法我们在前面已经讨论过，这里不再重复。4.6 检验总体回归的总显著性：用矩阵表示的方差分析方差分析（ANOVA）用以（1）检验回归估计的总显著性，即检验全部（偏）回归系数同时为零的虚拟假设。（2）评价一个解释变量的增量贡献。方差分析很容易推广到k变量情形。假定干扰ui是正态分布的，并且虚拟假设：则可以证明：是服从自由度为（k-1, n-k）的F分布。在前面的讨论中，我们发现F与R2之间存在紧密联系，因此，上面的方差分析表还可以表达为：这么做的好处是全部分析都通过R2来进行，这样我们不需考虑F变量中被消掉的 。小结本章的主要目的是介绍线性回归模型的矩阵方法。矩阵方法的优点是在处理多变量线性回归模型的时候，提供了一种简洁的表达方法。回归系数的假设检验和利用回归做均值预测、个值预测的方法和前面讨论的没有差别，具体方法请回顾以及学习过的知识。
