第二章最小二乘法和线性回归金融计量学.ppt

《第二章最小二乘法和线性回归金融计量学.ppt》由会员分享，可在线阅读，更多相关《第二章最小二乘法和线性回归金融计量学.ppt（67页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第二章最小二乘法和第二章最小二乘法和线性回性回归金金融融计量学量学 目前中国的资本市场逐渐成熟，投资于股市成为众多企业目前中国的资本市场逐渐成熟，投资于股市成为众多企业乃至个人的重要理财方式。因此利用上市公司当年的公开乃至个人的重要理财方式。因此利用上市公司当年的公开的财务指标对来年盈利状况予以预测，就成为投资人最重的财务指标对来年盈利状况予以预测，就成为投资人最重要的决策依据。要的决策依据。是什么决定性的因素影响到上市公司的股票价格？是什么决定性的因素影响到上市公司的股票价格？公司公司的发展与这种决定性因素的数量关系究竟是什么？的发展与这种决定性因素的数量关系究竟是什么？怎样具体测定公司的发

2、展与这种决定性因素的数量关系怎样具体测定公司的发展与这种决定性因素的数量关系?如何对未来公司的股票价格进行预测？哪些因素最重要？如何对未来公司的股票价格进行预测？哪些因素最重要？引子引子:我们通常选择什么样的股票给我们我们通常选择什么样的股票给我们带来盈利呢？带来盈利呢？2本章要点回归分析和回归函数经典线性回归模型的最小二乘估计拟合优度检验回归系数的t检验和置信区间检验多变量模型的回归系数的F检验回归模型预测模型选择与案例分析3第一节第一节 最小二乘法的基本属性最小二乘法的基本属性一、有关回归的基本介绍 金融、经济变量之间的关系，大体上可以分为两种（确定关系、非确定关系）：（1）函数关系：Y=

3、f(X1,X2,.,XP)，其中Y的值是由Xi（i=1,2.p）所唯一确定的。（2）相关关系:Y=f(X1,X2,.,XP)，这里Y的值不能由Xi（i=1,2.p）精确的唯一确定。4回归的古典意义：高尔顿遗传学的回归概念(父母身高与子女身高的关系)回归的现代意义：一个应变量对若干解释变量变量依存关系的研究回归的目的（实质）：由固定的解释变量去估计和预测应变量的平均值5图2-1 货币供应量和GDP散点图6由图中的点确定线的过程就是回归。对于变量间的相关关系，我们可以根据大量的统计资料，找出它们在数量变化方面的规律（即“平均”的规律），这种统计规律所揭示的关系就是回归关系，所表示的数学方程就是回归

4、方程或回归模型。回归分析揭示的是被解释变量与解释变量之间的平均关系。7简单线性回归方程(总体回归方程PRF)：yt被称作因变量/被解释变量/结果变量；xt被称作自变量/解释变量/原因变量；、为参数，或称回归系数；t通常被称为随机误差/扰动项，简称误差项。模型中引入t的原因？对“线性”的理解？8总体回归方程（PRF）表示变量之间的真实关系，有时也被称为数据生成过程（DGP），PRF中的、值是真实值样本回归方程（SRF）是根据所选样本估算的变量之间的关系函数，方程为：总体y值被分解为两部分：模型拟合值（）和残差项（），注意：SRF中没有误差项，一般假定tN 9 样本回归函数与总体回归函数的关系 S

5、RF PRF A 10一元线性回归主要解决下列一些问题：（1）利用样本对未知参数、进行估计；（2）对回归模型作显著性检验；（3）当x=x0时对Y的取值作预测。二、参数的最小二乘估计(一)最小二乘法的基本原则普通最小二乘法（简记OLS）;最小二乘法的基本原则是：最优拟合直线应该使各点到直线的距离的和最小，也可表述为距离的平方和最小。实际上是使残差平方和（简记RSS）最小。求偏导并另其为零可得：12(二)最小二乘估计量的性质和分布 经典线性回归模型的基本假设：（1），即残差具有零均值；（2）var t/2(n-2)，则拒绝H0，接受H1；若|t|t/2(n-2)，则拒绝H1，接受H027 图2-5

6、 双侧检验拒绝区域和非拒绝区域分布28（1）用OLS法回归方程得到的估计值 及其标准差 。（2）选择一个显著性水平（通常为5%），这相当于选择95%的置信度。查t分布表，获得自由度为T-2的临界值 。（3）所建立的置信区间为（，）（4）如果零假设值 落在置信区间外，我们拒绝 的原假设；反之，不能拒绝。（二）置信区间检验29（三）t检验与置信区间检验的关系因此，实际上t检验法与置信区间法提供的结果是完全一样的。（四）第一类错误和第二类错误 错误地拒绝；错误的接受。（五）P值和检验的势30第三节第三节 多变量线性回归模型的统计检验多变量线性回归模型的统计检验一、多变量模型的简单介绍多元线性回归一般

7、方程：t=1,2,3.T其中:解释变量的数目为k-1(x2t,x3t,xkt)个，j称为偏偏回归系数回归系数，（12.k）分别衡量了解释变量对因变量y的边际影响的程度。矩阵形式为y是T1矩阵，X是Tk矩阵，是k1矩阵，u是T1矩阵31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。32在多变量回归中残差向量为：残差平方和为：33可以得到多变量回归系数的估计表达式 同样我们可以得到多变量回归模型残差的样本方差参数的协方差矩阵 34OL

8、S估计量的性质：1、线性2、无偏性3、最小方差性同时，随着样本容量增加，参数估计量具有渐进无偏性、渐进有效性、一致性。35二、拟合优度检验在多变量模型中，我们想知道解释变量一起对因变量y变动的解释程度。我们将度量这个信息的量称为多元判定系数R2。在多变量模型中，下面这个等式也成立：TSS=ESS+RSS其中，TSS为总离差平方和；ESS为回归平方和；RSS为残差平方和。36与双变量模型类似，定义如下：即，R2是回归平方和与总离差平方和的比值；与双变量模型唯一不同的是，ESS值与多个解释变量有关。R2的值在0与1之间，越接近于1，说明估计的回归直线拟合得越好。37三、假设检验（一）t检验在多元回

9、归模型中，t统计量为：均服从自由度为（n-k）的t分布。下面的检验过程跟双变量线性回归模型的检验过程一样。38（二）、F检验F检验的第一个用途是对所有的回归系数全为0的零假设的检验。第二个用途是用来检验有关部分回归系数的联合检验，就方法而言，两种用途是完全没有差别的。39为了解联合检验是如何进行的，考虑无约束回归模型：假设我们想检验其中q个回归系数是否同时为零，将所有变量分为两组：如果假定所有后q个系数都为零，即建立零假设：，则修正的模型将变为有约束回归模型（restricted regression）：40关于上述零假设的检验很简单。若从模型中去掉这q个变量，对有约束回归方程进行估计的话，得

10、到的误差平方和 肯定会比相应的无约束回归方程的误差平方和 大。检验的统计量为：统计量服从分子自由度为q，分母自由度为N-K的F分布。41当q=k-1时（即为解释变量个数）建立原假设和备择假设：H0：1=2=3=k=0H1：j不全为0则统计量F=(ESS/RSS)*(n-k)/(k-1)给定显著性水平，可得到临界值F(k-1,n-k)，由样本求出统计量F的数值，通过 FF(k-1,n-k)或 FF(k-1,n-k)来拒绝或接受原假设H0，以判定原方程总体上总体上的线性关系是否显著成立。42F检验与R2有密切的联系。回想 ,则 ，两个统计量具有相同的因变量，因此 将上面的两个方程代入,检验的统计量

11、可以写成：43说明：变量的显著性检验说明：变量的显著性检验 方程的总体线性总体线性关系显著 每个解释变量每个解释变量对被解释变量的影响都是显著的。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。这一检验是由对变量的这一检验是由对变量的 t 检验完成的。检验完成的。注意：注意：一元线性回归中，一元线性回归中，t t检验与检验与F F检验一致检验一致（不过多元的就没那么简单的关系了！）一方面一方面，t检验与F检验都是对相同的原假设H0：1=0=0 进行检验;另一方面另一方面，两个统计量之间有如下关系：第四节第四节 预测预测一、预测的概念和类型（一）预测的概念 金融计量

12、学中，所谓预测就是根据金融经济变量的过去和现在的发展规律，借助计量模型对其未来的发展趋势和状况进行描述、分析，形成科学的假设和判断。46（二）预测原理条件期望（conditional expectations），在t期Y的t+1期的条件期望值记作 ，它表示的是在所有已知的t期的信息的条件下，Y在t+1期的期望值。假定在t期，我们要对因变量Y的下一期（即t+1期）值进行预测，则记作。47 在t期对Y的下一期的所有预测值中，Y的条件期望值是最优的（即具有最小方差），因此，我们有：（2.65）48（三）预测的类型：（1）无条件预测和有条件预测所谓无条件预测，是指预测模型中所有的解释变量的值都是已知的

13、，在此条件下所进行的预测。所谓有条件预测，是指预测模型中某些解释变量的值是未知的，因此想要对被解释变量进行预测，必须首先预测解释变量的值。49（2）样本内（in-sample）预测和样本外（out-of-sample）预测所谓样本内预测是指用全部观测值来估计模型，然后用估计得到的模型对其中的一部分观测值进行预测。样本外预测是指将全部观测值分为两部分，一部分用来估计模型，然后用估计得到的模型对另一部分数据进行预测。50（3）事前预测和事后模拟顾名思义，事后模拟就是我们已经获得要预测的值的实际值，进行预测是为了评价预测模型的好坏。事前预测是我们在不知道因变量真实值的情况下对其的预测。51（4）一步

14、向前（one-step-ahead）预测和多步向前（multi-step-ahead）预测所谓一步向前预测，是指仅对下一期的变量值进行预测，例如在t期对t+1期的值进行预测，在t+1期对t+2期的值进行的预测等。多步向前预测则不仅是对下一期的值进行预测，也对更下期值进行预测，例如在t期对t+1期、t+2期、t+r期的值进行预测。52二、预测的评价标准、平均预测误差平方和（mean squared error，简记MSE）平均预测误差绝对值（mean absolute error,简记MAE）。变量的MSE定义为：MSE=（2.66）其中 的预测值，实际值，T时段数53变量的MAE定义如下：MA

15、E=，变量的定义同前 （2.67）可以看到，MSE和MAE度量的是误差的绝对大小，只能通过与该变量平均值的比较来判断误差的大小，误差越大，说明模型的预测效果越不理想。542、Theil不相等系数 其定义为：（2.68）注意，U的分子就是MSE的平方根，而分母使得U总在0与1之间。如果U=0，则对所有的t，完全拟合；如果U=1，则模型的预测能力最差。因此，Theil不等系数度量的是误差的相对大小。55Theil不等系数可以分解成如下有用的形式：其中 分别是序列 和 的平均值和标准差，是它们的相关系数，即：（2.69）56定义不相等比例如下：（2.70）（2.71）（2.72）57偏误比例 表示系

16、统误差，因为它度量的是模拟序列与实际序列之间的偏离程度。方差比例 表示的是模型中的变量重复其实际变化程度的能力。协方差比例 度量的是非系统误差，即反映的是考虑了与平均值的离差之后剩下的误差。理想的不相等比例的分布是 。比例 分别称为U的偏误比例，方差比例，协方差比例。它们是将模型误差按特征来源分解的有效方法（）。58第五节：模型选择第五节：模型选择一、“好”模型具有的特性1、节省性（parsimony）一个好的模型应在相对精确反应现实的基础上尽可能的简单。2、可识别性（identifiability）对于给定的一组数据，估计的参数要有唯一确定值。593、高拟合性（goodness of fit

17、）回归分析的基本思想是用模型中包含的变量来解释被解释变量的变化，因此解释能力的高低就成为衡量模型好坏的重要的标准。4、理论一致性（theoretical consistency）即使模型的拟合性很高，但是如果模型中某一变量系数的估计值符号与经济理论不符，那么这个模型就是失败的。605、预测能力（predictive power）著名经济学家弗里德曼（M.Friedman）认为：“对假设（模型）的真实性唯一有效的检验就是将预测值与经验值相比较”。因此一个好的模型必须有对未来的较强的预测能力。61二、用于预测的模型的选择因为R2将随着模型解释变量的增多而不断增加，按照此标准我们将不会得到最佳的预测

18、模型。因此必须对由于解释变量增多而造成自由度丢失施加一个惩罚项，其中的一个标准就是：62对自由度丢失惩罚更为严格的标准：Akaike的信息准则（Akaike information criterion,简记为AIC）和Schwarz的信息准则（Schwarz information criterion,简记为SC）63其中 是方程随机误差项方差的估计值，k是解释变量的个数，T是样本容量。可以看到，AIC和SC 的惩罚项 、比 更为严厉，而且相对来说SC标准对自由度的惩罚比AIC更为严厉。无论是AIC标准还是SC标准，从预测的角度来看，度量值越低，模型的预测会更好。64本章小节本章小节 本章内容在计量经济学中是最基础也是最重要的部分。在这一章中，我们首先介绍了最小二乘法及其估计量的性质和分布。在此基础上我们对一元线性回归模型的统计检验进行了详细讨论，接着将模型扩展，讨论了多元线性回归模型。在用模型进行预测时，主要有两种情况：即有条件预测和无条件预测。最后一小节我们简单介绍了模型的选择。65作业任选一只股票，考察影响该股票价格的两种因素，用最小二乘法对其进行回归分析，并检验方程的拟合优度，对参数进行t检验和对模型进行F检验，求出在置信度为5%的置信区间。66汇报结束谢谢大家!请各位批评指正