第二章简单线性回归模型-PPT.ppt

《第二章简单线性回归模型-PPT.ppt》由会员分享，可在线阅读，更多相关《第二章简单线性回归模型-PPT.ppt（25页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第二章简单线性回归模型2 第一节 回归分析与回归函数 一、相关分析与回归分析（对统计学的回顾）1、经济变量之间的相互关系 性质上可能有三种情况:确定性的函数关系 Y=f(X)可用数学方法计算 不确定的统计关系相关关系 Y=f（X）+(为随机变量)可用统计方法分析 没有关系不用分析 相关关系的描述 最直观的描述方式坐标图（散布图、散点图）3函数关系相关关系(线性)没有关系相关关系(非线性)2、相关关系44 相关关系的类型 从涉及的变量数量看 简单相关 多重相关（复相关）从变量相关关系的表现形式看 线性相关散布图接近一条直线 非线性相关散布图接近一条曲线 从变量相关关系变化的方向看 正相关变量同方

2、向变化，同增同减 负相关变量反方向变化，一增一减 不相关5 3、相关程度的度量相关系数 如果和总体的全部数据都已知，和的方差和协方差也已知，则 X和Y的总体线性相关系数：其中：-X的方差-Y的方差-X和Y的协方差特点：总体相关系数只反映总体两个变量 和 的线性相关程度对于特定的总体来说，和 的数值是既定的，总体相关系数 是客观存在的特定数值。总体的两个变量 和 的全部数值通常不可能直接观测，所以总体相关系数一般是未知的。6如果只知道X和Y的样本观测值，则X和Y的样本线性相关系数为：其中：和分别是变量X和Y的样本观测值，和分别是变量X和Y样本值的平均值注意:是随抽样而变动的随机变量。X和Y的样本

3、线性相关系数：相关系数较为简单,也可以在一定程度上测定变量间的数量关系,但是对于具体研究变量间的数量规律性还有局限性。X和Y 都是相互对称的随机变量，线性相关系数只反映变量间的线性相关程度，不能说明非线性相关关系 样本相关系数是总体相关系数的样本估计值，由于抽样波动，样本相关系数是随抽样而变动的随机变量，其统计显著性还有待检验 7对相关系数的正确理解和使用84、回归分析回归的古典意义：高尔顿遗传学的回归概念(父母身高与子女身高的关系)子女的身高有向人的平均身高回归的趋势回归的现代意义：一个被解释变量对若干个解释变量依存关系的研究回归的目的（实质）：由解释变量去估计被解释变量的平均值9被解释变量

4、Y的条件分布和条件概率：当解释变量X取某固定值时（条件），Y 的值不确定，Y的不同取值会形成一定的分布，这是 Y 的条件分布。X取某固定值时，Y 取不同值的概率称为条件概率。被解释变量 Y 的条件期望：对于 X 的每一个取值，对 Y 所形成的分布确 定其期望或均值，称 为 Y 的条件期望或条件均 值，用 表示。注意:Y的条件期望是随X的变动而变动的 YX明确几个概念（为深刻理解“回归”）大家学习辛苦了，还是要坚持继续保持安静 继续保持安静11回归线：对于每一个X的取值，都有Y的条件期望 与之对应，代表Y的条件期望的点的轨迹形成的直线或曲线称为回归线。回归函数：被解释变量Y的条件期望 随解释变量

5、X的变化而有规律的变化，如果把Y的条件期望表现为 X 的某种函数，这个函数称为回归函数。回归函数分为：总体回归函数和样本回归函数 X Y12每月家庭可支配收入X3000 3500 4000 4500 5000 5500 6000 6500 7000 75001819 20272269 2304 2646 2917 3068 3383 4107 42671847 21182364 2435 2819 3028 3488 3797 4313 48001907 22122424 2467 2934 3166 3689 4109 4457 5004每2055 22482473 2726 3028 33

6、21 3755 4261 4618 5241月2195 23132523 2828 3131 3527 3899 4546 4757 5408家2245 24812581 2946 3244 3690 3920 4757 4972庭2307 25412675 2976 3408 3829 4253 4771 5172消2409 26862716 3150 3496 3993 4441 4872 费 27022817 3174 3522 4174 4673 支 28122936 3349 3677 4350 4764 出 2954 3384 3776 4474 Y 3025 3514 3919

7、3136 3658 4119 3327 3747 20982414 2730 3047 3363 3679 3995 4312 4628 4944举例:假如已知由100个家庭构成的总体的数据(单位:元)二、总体回归函数（PRF）13消费支出的条件期望与收入关系的图形对于本例的总体，家庭消费支出的条件期望与家庭收入 基本是线性关系,可以把家庭消费支出的条件均值表示为家庭收入的线性函数：14 1.总体回归函数的概念 前提：假如已知所研究的经济现象的总体的被解释变量Y和解释变量X的每个观测值（通常这是不可能的！），那么，可以计算出总体被解释变量Y的条件期望，并将其表现为解释变量X的某种函数 这个函数

8、称为总体回归函数（PRF）本质:总体回归函数实际上表现的是特定总体中被解释变量随解释变量的变动而变动的某种规律性。计量经济学的根本目的是要探寻变量间数量关系的规律,也就要努力去寻求总体回归函数。15 条件期望表现形式例如Y的条件期望 是解 释变量X的线性函数，可表示为：个别值表现形式（随机设定形式）对于一定的，Y的各个别值 并不一定等于条件期望，而是分布在 的周围，若令各个 与条件期望 的偏差为，显然 是个随机变量 则有 2.总体回归函数的表现形式PRF作为总体运行的客观规律，总体回归函数是客观存在的，但在实际的经济研究中总体回归函数通常是未知的，只能根据经济理论和实践经验去设定。计量经济学研

9、究中“计量”的根本目的就是要寻求总体回归函数。我们所设定的计量模型实际就是在设定总体回归函数的具体形式。总体回归函数中 Y 与 X 的关系可以是线性的，也可以是非线性的。163.如何理解总体回归函数17计量经济学中计量经济学中,线性回归模型的线性回归模型的“线性线性”有两种解释：有两种解释：就变量而言是线性的就变量而言是线性的 YY的条件期望（均值）是的条件期望（均值）是XX的线性函数的线性函数 就参数而言是线性的就参数而言是线性的 YY的条件期望（均值）是参数的条件期望（均值）是参数的线性函数的线性函数例如：例如：对变量、参数均为 对变量、参数均为“线性 线性”对参数 对参数“线性 线性”，

10、对变量，对变量“非线性 非线性”对变量 对变量“线性 线性”，对参数，对参数“非线性 非线性”注意：在计量经济学中，线性回归模型主要指就参数而言是“线性”的,因为只要对参数而言是线性的,都可以用类似的方法去估计其参数，都可以归于线性回归。“线性”的判断概念 在总体回归函数中，各个 的值与其条件期望 的偏差 有很重要的意义。若只有 的影响，与 不应有偏差。若偏差 存在，说明还有其他影响因素。实际代表了排除在模型以外的所有因素对 Y 的影响。性质 是其期望为 0 有一定分布的随机变量重要性：随机扰动项的性质决定着计量经济分析结 果的性质和计量经济方法的选择18 三、随机扰动项 是未知影响因素的代表

11、(理论的模糊性)是无法取得数据的已知影响因素的代表(数据欠缺)是众多细小影响因素的综合代表(非系统性影响)模型可能存在设定误差(变量、函数形式的设定）模型中变量可能存在观测误差(变量数据不符合实际)变量可能有内在随机性(人类经济行为的内在随机性)19引入随机扰动项 的原因样本回归线：对于X的一定值，取得Y的样本观测值，可计算其条件均值，样本观测值条件均值的轨迹，称为样本回归线。样本回归函数：如果把被解释变量Y的样本条件均值 表示为解释变量X的某种函数，这个函数称为样本回归函数（SRF）20XYSRF四、样本回归函数（SRF）21 样本回归函数如果为线性函数，可表示为 其中：是与 相对应的 Y

12、的样本条件均值 和 分别是样本回归函数的参数 个别值（实际值）形式：被解释变量Y的实际观测值 不完全等于样本条件均值，二者之差用 表示，称为剩余项或残差项：则 或 样本回归函数的函数形式条件均值形式：样本回归线随抽样波动而变化:每次抽样都能获得一个样本，就可以拟合一条样本回归线，（SRF不唯一)样本回归函数的函数形式应与设定的总体回归函数的函数形式一致。样本回归线只是样本条件均值的轨迹，还不是总体回归线，它至多只是未知的总体回归线的近似表现。22样本回归函数的特点SRF1SRF2 YX A X 23PRFSRF样本回归函数与总体回归函数的关系 如果能够通过某种方式获得 和 的数值，显然:和 是对总体回归函数参数 和 的估计 是对总体条件期望 的估计 在概念上类似总体回归函数中的，可视 为对 的估计。24对比：总体回归函数 样本回归函数对样本回归的理解25 目的：计量经济分析的目标是寻求总体回归函数。即用样本回归函数SRF去估计总体回归函数PRF。由于样本对总体总是存在代表性误差，SRF总会过高或过低估计PRF。要解决的问题：寻求一种规则和方法，使其得到的SRF的参数和尽可能“接近”总体回归函数中的参数和的真实值。这样的“规则和方法”有多种，如矩估计、极大似然估计、最小二乘估计等。其中最常用的是最小二乘法。回归分析的目的