文档介绍:第二章回归分析基本方法
第一页,本课件共有48页
§ 回归分析概述
一、变量间的关系及回归分析的基本概念
二、一元总体回归函数
三、随机扰动项
四、一元样本回归函数(SRF)
第二页,本课件共有48页
§线。该线称为一元样本回归线(sample regression lines)。
记样本回归线的函数形式为:
称为一元样本回归函数(sample regression function,SRF)。
第十四页,本课件共有48页
这里将样本回归线看成总体回归线的近似替代
则
注意:
第十五页,本课件共有48页
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,因此也称为一元样本回归模型(sample regression model)。
第十六页,本课件共有48页
▼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。
注意:这里PRF可能永远无法知道。
即,根据
估计
第十七页,本课件共有48页
§ 线性回归模型
一、多元线性回归模型
二、多元线性回归模型的基本假定
第十八页,本课件共有48页
一、多元线性回归模型
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。
一般表现形式:
i=1,2…,n
其中:k为解释变量的数目,j称为回归参数(regression coefficient)。
****惯上:把常数项看成为一虚变量的系数,该虚变量的样本观测值始终取1。这样:
模型中解释变量的数目为(k+1)
第十九页,本课件共有48页
也被称为总体回归函数的随机表达形式。它 的非随机表达式为:
方程表示:各变量X值固定时Y的平均响应。
j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j给出了Xj的单位变化对Y均值的“直接”或“净”(不含其他变量)影响。
第二十页,本课件共有48页
总体回归模型n个随机方程的矩阵表达式为
其中
第二十一页,本课件共有48页
样本回归函数:用来估计总体回归函数
其随机表示式:
ei称为残差或剩余项(residuals),可看成是总体回归函数中随机扰动项i的近似替代。
样本回归函数的矩阵表达:
或
其中:
第二十二页,本课件共有48页
二、多元线性回归模型的基本假定
假设1,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2,随机误差项具有零均值、同方差及不序列相关性
假设3,解释变量与随机项不相关
假设4,随机项满足正态分布
第二十三页,本课件共有48页
上述假设的矩阵符号表示 式:
假设1,n(k+1)矩阵X是非随机的,且X的秩=k+1,即X满秩。
假设2,
假设3,E(X’)=0,即
第二十四页,本课件共有48页
假设4,向量 服从多维正态分布,即
同一元回归一样,多元回归还具有如下两个重要假设:
假设5,样本容量趋于无穷时,各解释变量的方差趋于有界常数,即n∞时,
或
其中:Q为一非奇异固定矩阵,矩阵x是由各解释变量的离差为元素组成的nk阶矩阵
假设6,回归模型的设定是正确的。
第二十五页,本课件共有48页
§ 线性回归模型的参数估计
估计方法:OLS、ML
一、普通最小二乘估计
二、最大似然估计
三、参数估计量的性质
四、样本容量问题
五、估计实例
第二十六页,本课件共有48页
一、普通最小二乘估计
对于随机抽取的n组观测值
如果样本函数的参数估计值已经得到,则有:
i=1,2…n
根据最小二乘原理,参数估计值应该是下列方程组的解
其中
第二十七页,本课件共有48页
于是得到关于待估参数估计值的正规方程组:
第二十八页,本课件共有48页
正规方程组的矩阵形式
即
由于X’X满秩,故有
第二十九页,本课件共有48页
将上述过程用矩阵表示如下:
即求解方程组:
得到:
于是:
第三十页,本课件共有48页
⃟正规方程组 的另一种写法
对于正规方程组
于是
或
(*)或(**)是多元线性回归模型正规方程组的另一种写法
(*)
(**)
第三十一页,本课件共有48页
⃟样本回归函数的离差形式
i=1,2…n
其矩阵形式为
其中 :
在离差形式下,参数的最小二乘估计结果为
第三十二页,本课件共有48页
⃟随机误差项的方差的无偏估计
可以证明,随机误差项的方差的无偏估计量为
第三十三页,本课件共有