经典计量回归模型2(应用计量经济学).ppt

如果经典公制回归模型(2)、多元回归问题和处理、一、多元回归最小二乘、一、解析变量与解析变量具有线性关系，则可以生成以下线性多模型：可以用、线性多模型表示，例如，矩阵表示。其中：2，基本假设(1)随机错误项不是磁性的，每个错误项都满足平均0，方差相等，是有限的。(2)分析变量错误条目相互独立。(3)说明变量之间的线性相关性。(4)非随机变量。以上假设确保了纯数学估计参数的唯一解，同时保证了估计参数的统计特性良好。3，在估计，自下而上中使用(1t) (tk) (k1)=(11)作为标量，转换矩阵保持不变：查找偏心：在自下而上中使用矩阵微分、多元回归问题及其处理，生成一个或多个公共线性多公共线性：回归模型的部分解析变量之间存在线性关系。这意味着一个分析变量可以显示为另一个分析变量的线性组合。完全多重共线，解析变数之间存在精确的线性关系。示例：不完全多公线，解释变量之间存在高度相关性，但不完全。示例：随机错误。2，多重共线性的结果估计值的表达式可以表示为其他解释变量的线性组合，其中：j的逆矩阵不存在，回归系数不确定，回归的方差是无穷大的。如果解释变量之间存在高度相关但不完全相关，则自下而上匹配0行的矢量非常接近于0，并且解释变量之间的相关性越高，当该行的矢量接近于0时，可以确定回归系数，但是方差随着变量相关性的增加而以更快的速度增长，并且系数不准确地估计。summary:1)OLS估计仍然是有效的估计(增量，偏转估计)，但是偏差很大，估计的准确度很低。2)一个或多个系数的t统计信息并不重要。3)一个或多个系数的t统计信息不是很重要，但是适合度很高。4)OLS估计值对数据的微小更改也可能非常敏感。3，多公选：例如消费支出与收入和财富的关系。其中y代表消费支出，X1代表销售，X2代表财富。回归方程：Y=C(1) C(2)*X1 C(3)*X2回归结果：回归结果的拟合度很高，但系数的坡度没有通过显著性测试，但是方程式整体系数检查的f统计量很高，这是X1，X2，X1，X2分别回归到解析变数中以取得。分别回归后坡率高度很重要。4，多重共线性判断1)高，重要t值低。(2)变量之间的高相关性解释3)估计量也可能对数据的小变化非常敏感。6，多公线处理1)根据词典信息重建模型。2)消除高共线性变量。3)原始序列的一阶差。3)增加数据以实现回归。第二，二分方差，1，二分方差的生成学习模型随着学习时间的增加，其行为的误差减少。(分散减少)储蓄行为模式，随着收入的增加，个人如何支配他们的收入有更大的选择，有些人可以选择更多的储蓄，有些人可以选择更少的储蓄，收入越高，储蓄的差别就越大。(方差增加)，2，半方差的结果模型的假设所提出的Var(u)是对角矩阵，其中每个误差项都不相关，误差项的协方差为零，如果不假定为假，则：错误向量u的方差协方差矩阵对角线上的元素不相等时，表示该时间序列存在方差。非对角元素表示错误向量的协方差，对角元素不为零时表示错误项目自相关。，如果存在异方差，最小二乘估计仍保持不协调性和一致性，但估计不再是最优的，并且不满足最小方差性。估计量的分布受到影响。如果仍用于估计，显然这种估计是偏转的，不一致的。像这样的t检验和f测试可能严重误导，做出错误的结论。3、2分差异的判断1)残差序列分析。a、无差异、b、有差异、差异方差随y的增加而增加。缺点：样品周期太短时无法判断。2)异方差检验Park异方差检验阶段：a，回归方程，结果方程残差序列。b，取残差序列的平方，c，值统计重要时估计数据的方差。White半方差检查White半方差检查思想：以两个变量为例，如果原始回归是测试，则基于扩展回归表达式：White半方差检查的结果提供了f统计信息和自由度扩展回归表达式的回归因子数分布。判断：1，如果回归元素系数不重要，则认为不存在方差，如果其中一个回归元素具有重要系数，则认为该模型存在方差。2，f统计和设置的重要级别上分布的原始假设，即所有回归系数为0，则认为没有方差。实例：币种供应增长率对GDP的影响。estimation equation : GNP=c(1)c(2)* m2，结果：二分法检查：结果：判断：每个回归元素系数都无关紧要f检查接受回归元素系数为零的原始假设。这表示不存在方差。4，异方差处理1)加权最小二乘法。想法：如果知道的形式是某个变量相互作用的话，将每个解释的变量相乘，消除这个方差。和Eviews中加权最小二乘法的实现。、3)白色分布是调整怀孕特定分布的均匀协方差矩阵的有效方法，4)获取原始序列的对数，设置线性模型。第三，自相关，1，自相关的定义：序列的观察间相关性。如果回归模型的残差存在以下关系：其中残差序列是(主)自相关。2，自相关生成，a，惯性。大部分经济变量(如GDP、物价指数、就业等)表示一种商业周期。b，模型设置错误。1)缺少模型变量。模型的格式为：回归格式为：回归错误主题：错误是导致自相关的系统变化的特征。2)，忽略模型的延迟效果。在消费模式中，消费不仅仅依赖于当前期间的收入水平。消费者不会轻易改变消费习惯，因此消费支出也依赖于前期的消费支出。也就是说，如果省略后行项目，模型的误差项目就反映了后行变量对当前变量的影响，反映了系统波动的特性，具有自相关性。3，自相关的影响。由于模型假定随机误差项不是磁相关的，因此误差矢量的方差协方差矩阵现在为：非对角元素表示错误向量的协方差，非对角元素不是零，表示错误项目自相关。和，异方差的影响一样，t检验和f检验会严重误导并得出错误的结论。4，自相关测试，1)残差序列图分析。样品周期太短时无法判断。2)DW检查DW统计信息定义如下：其中t是样本容量。因为依赖于解释变量，DW统计与t统计和f统计检查不同，没有唯一的阈值可用于测试第一级自相关假设，DW同时提供上限和下限。其中只能检查与相关系数的估计、DW检查：(一阶非自相关)、DW检查的缺陷：1)残差的主自相关。2)如果解释变量出现所解释变量的延迟变量，则不再应用DW。如果解释变量出现解释变量的延迟变量，那么残差的自相关测试，伯克斯皮尔斯q测试。q统计：其中：n是样品容量，m是大气长度。q统计信息遵循自由度为m的分布。检查标准是拒绝q统计大于阈值时全部为零的原始假设，即残差非自相关的原始假设。(或者，如果p值是小的剩馀临界p值，则拒绝残差非磁关联的原始假设)，5，磁关联处理。1)、残差自相关结构知道广义差分法。残差主要自相关：以一元回归为例，在时间t-1上用(2)(1)表达式相乘，例如，或表示。其中：常识回归是最佳线性、无偏的一致估计。2)，残差自相关的结构未知差分方法。差异不一定能消除模型自相关。3)，尝试不同的模型形式。随着解释变量的增加，将被解释变量的尾变量视为解释变量。6，如自相关处理。中国宏观消费分析1952-1993，其中x是国民收入，y是居民消费。消费的年度增长曲线YY:国民收入的年度增长曲线XX:年度消费率变化曲线：estimation equation :y=c(1)c(2)* x因为它说明了模型自相关。estimation equation : log(y)=c(1)c(2)x log(x)，考虑到消费不仅与本期收入相关，还与前期收入相