计量经济学模型课件

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）,§2.1 回归分析概述,（1）确定性关系或函数关系：研究的是变量间的确定关系。,一、变量间的关系及回归分析的基本概念,1、变量间的关系 经济变量之间的关系，大体可分为两类：,例如,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：,（2）统计依赖关系/统计相关关系： 研究的是非确定现象随机变量间的关系。,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； 相关分析对称地对待两个变量，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，研究一个变量对另一个（些）变量的统计依赖关系，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（Explained 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出现的对应值的平均值。,例2.1：某个假想的社区有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户家庭按家庭可支配收入划分为10组，以分析每一组的家庭消费支出。,（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。,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：,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（population 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）变量的省略。由于人们认识的局限不能穷尽所有的 影响因素或由于受时间、费用、数据质量等制约而没有 引入模型之中的对被解释变量有一定影响的自变量； 2）变量观测值的观测误差的影响； 3）模型的设定误差。如在模型构造时，非线性关系用线性模型描述了；复杂关系用简单模型描述了；此非线性关系用彼非线性模型描述了等等。 4）随机误差。被解释变量还受一些不可控制的众多的、细小的偶然因素的影响。,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？,例2.2：在例2.1的总体中每组随机抽取一个个体，得到如下一个样本，,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。,该样本的散点图（scatter diagram)：,样本散点图在一条直线附近波动，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）。,样本回归线（样本回归函数）,总体回归函数,样本回归模型,总体回归模型,误差：即随机项 残差：观测值减去拟合值，是误差的估计值 离差：样本观测值减去样本平均值,一些概念,“线性”可作两种解释：对变量为线性，对参数为线性。一般“线性回归”一词总是指对参数为线性的一种回归（即参数只以它的1次方出现）。,回归分析的主要目的：,注意：这里PRF可能永远无法知道。,根据样本回归函数SRF，估计总体回归函数PRF。,§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, 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）,最小二乘法,离差与离差平方,e,e,最小,拟合程度最好,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（deviation 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,（*）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。,样本回归线的性质,1.它通过Y和X的样本均值；,2.估计的均值等于实测均值，即,5.残差和预测值不相关，即,4.残差和X不相关，即,3.,三、参数估计的最大似然法(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，