第二章經(jīng)典單方程計量經(jīng)濟(jì)學(xué)模型：

一元線性回歸模型

TheClassicalSingleEquationEconometricModel:SimpleLinearRegressionModel

第二章經(jīng)典單方程計量經(jīng)濟(jì)學(xué)模型：

一元線性回歸模型

Th本章內(nèi)容

回歸分析概述一元線性回歸模型的基本假設(shè)一元線性回歸模型的參數(shù)估計一元線性回歸模型的檢驗一元線性回歸模型的預(yù)測實例及時間序列問題本章內(nèi)容回歸分析概述§2.1回歸分析概述

(RegressionAnalysis)一、變量間的關(guān)系及回歸分析的基本概念二、總體回歸函數(shù)三、隨機擾動項四、樣本回歸函數(shù)§2.1回歸分析概述

(RegressionAnaly一、變量間的關(guān)系及回歸分析的基本概念一、變量間的關(guān)系及回歸分析1、變量間的關(guān)系確定性關(guān)系或函數(shù)關(guān)系：研究的是確定性現(xiàn)象非隨機變量間的關(guān)系。

統(tǒng)計依賴或相關(guān)關(guān)系：研究的是非確定性現(xiàn)象隨機變量間的關(guān)系。1、變量間的關(guān)系確定性關(guān)系或函數(shù)關(guān)系：研究的是確定性現(xiàn)象非隨對變量間統(tǒng)計依賴關(guān)系的考察主要是通過相關(guān)分析(correlationanalysis)或回歸分析(regressionanalysis)來完成的。相關(guān)分析適用于所有統(tǒng)計關(guān)系。相關(guān)系數(shù)(correlationcoefficient)正相關(guān)(positivecorrelation)負(fù)相關(guān)(negativecorrelation)不相關(guān)(non-correlation)回歸分析僅對存在因果關(guān)系而言。對變量間統(tǒng)計依賴關(guān)系的考察主要是通過相關(guān)分析(correla注意：不存在線性相關(guān)并不意味著不相關(guān)。存在相關(guān)關(guān)系并不一定存在因果關(guān)系。相關(guān)分析對稱地對待任何（兩個）變量，兩個變量都被看作是隨機的?；貧w分析對變量的處理方法存在不對稱性，即區(qū)分應(yīng)變量（被解釋變量）和自變量（解釋變量），前者是隨機變量，后者不一定是。注意：2、回歸分析的基本概念回歸分析(regressionanalysis)是研究一個變量關(guān)于另一個（些）變量的具體依賴關(guān)系的計算方法和理論。其目的在于通過后者的已知或設(shè)定值，去估計和（或）預(yù)測前者的（總體）均值。兩類變量；被解釋變量（ExplainedVariable）或應(yīng)變量（DependentVariable）。解釋變量（ExplanatoryVariable）或自變量（IndependentVariable）。2、回歸分析的基本概念回歸分析(regressionana關(guān)于變量的術(shù)語ExplainedVariable~ExplanatoryVariableDependentVariable~IndependentVariableEndogenousVariable~ExogenousVariableResponseVariable~ControlVariablePredictedVariable~PredictorVariable關(guān)于變量的術(shù)語回歸分析構(gòu)成計量經(jīng)濟(jì)學(xué)的方法論基礎(chǔ)，其主要內(nèi)容包括：根據(jù)樣本觀察值對經(jīng)濟(jì)計量模型參數(shù)進(jìn)行估計，求得回歸方程；對回歸方程、參數(shù)估計值進(jìn)行顯著性檢驗；利用回歸方程進(jìn)行分析、評價及預(yù)測?；貧w分析構(gòu)成計量經(jīng)濟(jì)學(xué)的方法論基礎(chǔ)，其主要內(nèi)容包括：二、總體回歸函數(shù)

PopulationRegressionFunction,PRF二、總體回歸函數(shù)

PopulationRegression1、條件均值（conditionalmean）例2.1.1：一個假想的社區(qū)有99戶家庭組成，欲研究該社區(qū)每月家庭消費支出Y與每月家庭可支配收入X的關(guān)系。即如果知道了家庭的月收入，能否預(yù)測該社區(qū)家庭的平均月消費支出水平。為達(dá)到此目的，將該99戶家庭劃分為組內(nèi)收入差不多的10組，以分析每一收入組的家庭消費支出。1、條件均值（conditionalmean）例2.1.1第2章經(jīng)典單方程計量經(jīng)濟(jì)學(xué)模型：一元線性回歸模型課件由于不確定因素的影響，對同一收入水平X，不同家庭的消費支出不完全相同；但由于調(diào)查的完備性，給定收入水平X的消費支出Y的分布是確定的，即以X的給定值為條件的Y的條件分布（Conditionaldistribution）是已知的，例如：P(Y=561|X=800）=1/4。因此，給定收入X的值Xi，可得消費支出Y的條件均值（conditionalmean）或條件期望（conditionalexpectation）：E(Y|X=Xi)。該例中：E(Y|X=800)=605由于不確定因素的影響，對同一收入水平X，不同家庭的消費支出不描出散點圖發(fā)現(xiàn)：平均地說，隨著收入的增加，消費也在增加，且Y的條件均值均落在一根正斜率的直線上。05001000150020002500300035005001000150020002500300035004000每月可支配收入X（元）每月消費支出Y（元）描出散點圖發(fā)現(xiàn)：平均地說，隨著收入的增加，消費也在增加，且Y2、總體回歸函數(shù)在給定解釋變量Xi條件下被解釋變量Yi的期望軌跡稱為總體回歸線（populationregressionline），或更一般地稱為總體回歸曲線（populationregressioncurve）。相應(yīng)的函數(shù)稱為（雙變量）總體回歸函數(shù)（populationregressionfunction,PRF）。2、總體回歸函數(shù)在給定解釋變量Xi條件下被解釋變量Yi的期望含義：回歸函數(shù)（PRF）說明被解釋變量Y的平均狀態(tài)（總體條件期望）隨解釋變量X變化的規(guī)律。函數(shù)形式：可以是線性或非線性的。例2.1.1中，將居民消費支出看成是其可支配收入的線性函數(shù)時:為線性函數(shù)。其中，0，1是未知參數(shù)，稱為回歸系數(shù)（regressioncoefficients）。含義：回歸函數(shù)（PRF）說明被解釋變量Y的平均狀態(tài)（總體條件三、隨機擾動項

StochasticDisturbance

三、隨機擾動項

StochasticDisturbance總體回歸函數(shù)說明在給定的收入水平Xi下，該社區(qū)家庭平均的消費支出水平。但對某一個別的家庭，其消費支出可能與該平均水平有偏差。稱為觀察值圍繞它的期望值的離差（deviation），是一個不可觀測的隨機變量，又稱為隨機干擾項（stochasticdisturbance）或隨機誤差項（stochasticerror）?？傮w回歸函數(shù)說明在給定的收入水平Xi下，該社區(qū)家庭平均的消費例2.1.1中，給定收入水平Xi,個別家庭的支出可表示為兩部分之和：該收入水平下所有家庭的平均消費支出E(Y|Xi)，稱為系統(tǒng)性（systematic）或確定性（deterministic)部分；其他隨機或非確定性（nonsystematic)部分i。

稱為總體回歸函數(shù)（PRF）的隨機設(shè)定形式。表明被解釋變量除了受解釋變量的系統(tǒng)性影響外，還受其他因素的隨機性影響。由于方程中引入了隨機項，成為計量經(jīng)濟(jì)學(xué)模型，因此也稱為總體回歸模型(PRM)。例2.1.1中，給定收入水平Xi,個別家庭的支出可表示為兩隨機誤差項主要包括下列因素：在解釋變量中被忽略的因素的影響；影響不顯著的因素未知的影響因素?zé)o法獲得數(shù)據(jù)的因素變量觀測值的觀測誤差的影響；模型關(guān)系的設(shè)定誤差的影響；其它隨機因素的影響。隨機誤差項主要包括下列因素：關(guān)于隨機項的說明：將隨機項區(qū)分為“源生的隨機擾動”和“衍生的隨機誤差”?！霸瓷碾S機擾動”僅包含無數(shù)對被解釋變量影響不顯著的因素的影響，服從極限法則（大數(shù)定律和中心極限定理），滿足基本假設(shè)。“衍生的隨機誤差”包含上述所有內(nèi)容，并不一定服從極限法則，不一定滿足基本假設(shè)。在§9.3中將進(jìn)一步討論。關(guān)于隨機項的說明：

四、樣本回歸函數(shù)

SampleRegressionFunction,SRF

四、樣本回歸函數(shù)

SampleRegressionFu1、樣本回歸函數(shù)問題：能否從一次抽樣中獲得總體的近似信息？如果可以，如何從抽樣中獲得總體的近似信息？在例2.1.1的總體中有如下一個樣本，能否從該樣本估計總體回歸函數(shù)？

回答：能1、樣本回歸函數(shù)問題：能否從一次抽樣中獲得總體的近似信息？如

該樣本的散點圖（scatterdiagram)：

畫一條直線以盡好地擬合該散點圖，由于樣本取自總體，可以將該直線近似地代表總體回歸線。該直線稱為樣本回歸線（sampleregressionlines）。

樣本回歸線的函數(shù)形式為：稱為樣本回歸函數(shù)（sampleregressionfunction，SRF）。該樣本的散點圖（scatterdiagram)：畫一條

注意：這里將樣本回歸線看成總體回歸線的近似替代則注意：這里將樣本回歸線看成總體回歸線的近似替代則2、樣本回歸模型樣本回歸函數(shù)的隨機形式：

由于方程中引入了隨機項，成為計量經(jīng)濟(jì)模型，因此也稱為樣本回歸模型（sampleregressionmodel）。

2、樣本回歸模型樣本回歸函數(shù)的隨機形式：由于方程中引入了隨回歸分析的主要目的：根據(jù)樣本回歸函數(shù)SRF，估計總體回歸函數(shù)PRF?；貧w分析的主要目的：根據(jù)樣本回歸函數(shù)SRF，估計總體回歸函數(shù)§2.2一元線性回歸模型的基本假設(shè)

(AssumptionsofSimpleLinearRegressionModel)

一、關(guān)于模型設(shè)定的假設(shè)二、關(guān)于解釋變量的假設(shè)三、關(guān)于隨機項的假設(shè)§2.2一元線性回歸模型的基本假設(shè)

(Assumptio說明為保證參數(shù)估計量具有良好的性質(zhì)，通常對模型提出若干基本假設(shè)。實際上這些假設(shè)與所采用的估計方法緊密相關(guān)。下面的假設(shè)主要是針對采用普通最小二乘法（OrdinaryLeastSquares,OLS）估計而提出的。所以，在有些教科書中稱為“TheAssumptionUnderlyingtheMethodofLeastSquares”。在不同的教科書上關(guān)于基本假設(shè)的陳述略有不同，下面進(jìn)行了重新歸納。（具體的基本假設(shè)見教材）說明為保證參數(shù)估計量具有良好的性質(zhì)，通常對模型提出若干基本假1、關(guān)于模型關(guān)系的假設(shè)模型設(shè)定正確假設(shè)。Theregressionmodeliscorrectlyspecified.線性回歸假設(shè)。Theregressionmodelislinearintheparameters。

注意：“l(fā)inearintheparameters”的含義是什么？1、關(guān)于模型關(guān)系的假設(shè)模型設(shè)定正確假設(shè)。Theregres2、關(guān)于解釋變量的假設(shè)確定性假設(shè)。Xvaluesarefixedinrepeatedsampling.Moretechnically,Xisassumedtobenonstochastic.

注意：“inrepeatedsampling”的含義是什么？與隨機項不相關(guān)假設(shè)。ThecovariancesbetweenXiandμiarezero.由確定性假設(shè)可以推斷。2、關(guān)于解釋變量的假設(shè)確定性假設(shè)。Xvaluesare觀測值變化假設(shè)。Xvaluesinagivensamplemustnotallbethesame.無完全共線性假設(shè)。Thereisnoperfectmulticollinearityamongtheexplanatoryvariables.

適用于多元線性回歸模型。樣本方差假設(shè)。隨著樣本容量的無限增加，解釋變量X的樣本方差趨于一有限常數(shù)。時間序列數(shù)據(jù)作樣本時間適用觀測值變化假設(shè)。Xvaluesinagivensa3、關(guān)于隨機項的假設(shè)0均值假設(shè)。Theconditionalmeanvalueofμiiszero.

同方差假設(shè)。Theconditionalvariancesofμiareidentical.(Homoscedasticity)由模型設(shè)定正確假設(shè)推斷。是否滿足需要檢驗。3、關(guān)于隨機項的假設(shè)0均值假設(shè)。Theconditiona序列不相關(guān)假設(shè)。Thecorrelationbetweenanytwoμiandμjiszero.是否滿足需要檢驗。序列不相關(guān)假設(shè)。Thecorrelationbetwee4、隨機項的正態(tài)性假設(shè)在采用OLS進(jìn)行參數(shù)估計時，不需要正態(tài)性假設(shè)。在利用參數(shù)估計量進(jìn)行統(tǒng)計推斷時，需要假設(shè)隨機項的概率分布。一般假設(shè)隨機項服從正態(tài)分布?？梢岳弥行臉O限定理（centrallimittheorem,CLT）進(jìn)行證明。正態(tài)性假設(shè)。Theμ’sfollowthenormaldistribution.4、隨機項的正態(tài)性假設(shè)在采用OLS進(jìn)行參數(shù)估計時，不需要正態(tài)5、CLRM和CNLRM以上假設(shè)（正態(tài)性假設(shè)除外）也稱為線性回歸模型的經(jīng)典假設(shè)或高斯（Gauss）假設(shè)，滿足該假設(shè)的線性回歸模型，也稱為經(jīng)典線性回歸模型（ClassicalLinearRegressionModel,CLRM）。同時滿足正態(tài)性假設(shè)的線性回歸模型，稱為經(jīng)典正態(tài)線性回歸模型（ClassicalNormalLinearRegressionModel,CNLRM）。5、CLRM和CNLRM以上假設(shè)（正態(tài)性假設(shè)除外）也稱為§2.3一元線性回歸模型的參數(shù)估計

(EstimationofSimpleLinearRegressionModel)

一、參數(shù)的普通最小二乘估計（OLS）二、參數(shù)估計的最大或然法(ML)三、最小二乘估計量的性質(zhì)四、參數(shù)估計量的概率分布及隨機干擾項方差的估計

§2.3一元線性回歸模型的參數(shù)估計

(Estimatio一、參數(shù)的普通最小二乘估計（OLS）一、參數(shù)的普通最小二乘估計（OLS）1、最小二乘原理根據(jù)被解釋變量的所有觀測值與估計值之差的平方和最小的原則求得參數(shù)估計量。

為什么取平方和？1、最小二乘原理根據(jù)被解釋變量的所有觀測值與估計值之差的平方2、正規(guī)方程組該關(guān)于參數(shù)估計量的線性方程組稱為正規(guī)方程組（normalequations）。2、正規(guī)方程組該關(guān)于參數(shù)估計量的線性方程組稱為正規(guī)方程組（n3、參數(shù)估計量求解正規(guī)方程組得到結(jié)構(gòu)參數(shù)的普通最小二乘估計量（ordinaryleastsquaresestimators）及其離差形式：

分布參數(shù)的普通最小二乘估計量3、參數(shù)估計量求解正規(guī)方程組得到結(jié)構(gòu)參數(shù)的普通最小二乘估計量4、“估計量”（estimator）和“估計值”

(estimate)的區(qū)別

如果給出的參數(shù)估計結(jié)果是由一個具體樣本資料計算出來的，它是一個“估計值”，或者“點估計”，是參數(shù)估計量的一個具體數(shù)值；如果把上式看成參數(shù)估計的一個表達(dá)式，那么，則是Yi的函數(shù)，而Yi是隨機變量，所以參數(shù)估計也是隨機變量，在這個角度上，稱之為“估計量”。

4、“估計量”（estimator）和“估計值”(esti二、參數(shù)估計的最大似然法(ML)二、參數(shù)估計的最大似然法(ML)1、最大似然法最大似然法(MaximumLikelihood,ML)，也稱最大或然法，是不同于最小二乘法的另一種參數(shù)估計方法，是從最大或然原理出發(fā)發(fā)展起來的其它估計方法的基礎(chǔ)?；驹恚寒?dāng)從模型總體隨機抽取n組樣本觀測值后，最合理的參數(shù)估計量應(yīng)該使得從模型中抽取該n組樣本觀測值的概率最大。ML必須已知隨機項的分布。1、最大似然法最大似然法(MaximumLikelihoo2、估計步驟Yi的分布Yi的概率函數(shù)

Y的所有樣本觀測值的聯(lián)合概率—似然函數(shù)

2、估計步驟Yi的分布Yi的概率函數(shù)Y的所有樣本觀測值的聯(lián)對數(shù)似然函數(shù)

對數(shù)似然函數(shù)極大化的一階條件結(jié)構(gòu)參數(shù)的ML估計量對數(shù)似然函數(shù)對數(shù)似然函數(shù)極大化的一階條件結(jié)構(gòu)參數(shù)的ML估計3、討論在滿足一系列基本假設(shè)的情況下，模型結(jié)構(gòu)參數(shù)的最大似然估計量與普通最小二乘估計量是相同的。但是，分布參數(shù)的估計結(jié)果不同。3、討論在滿足一系列基本假設(shè)的情況下，模型結(jié)構(gòu)參數(shù)的最大似然§2.4一元線性回歸模型的統(tǒng)計檢驗

StatisticalTestofSimpleLinearRegressionModel

一、擬合優(yōu)度檢驗

二、變量的顯著性檢驗

三、參數(shù)的置信區(qū)間

§2.4一元線性回歸模型的統(tǒng)計檢驗

Statistica說明回歸分析是要通過樣本所估計的參數(shù)來代替總體的真實參數(shù)，或者說是用樣本回歸線代替總體回歸線。盡管從統(tǒng)計性質(zhì)上已知，如果有足夠多的重復(fù)抽樣，參數(shù)的估計值的期望（均值）就等于其總體的參數(shù)真值，但在一次抽樣中，估計值不一定就等于該真值。那么，在一次抽樣中，參數(shù)的估計值與真值的差異有多大，是否顯著，這就需要進(jìn)一步進(jìn)行統(tǒng)計檢驗。主要包括擬合優(yōu)度檢驗、變量的顯著性檢驗及參數(shù)的區(qū)間估計。說明回歸分析是要通過樣本所估計的參數(shù)來代替總體的真實參數(shù)一、擬合優(yōu)度檢驗

GoodnessofFit,CoefficientofDetermination一、擬合優(yōu)度檢驗

GoodnessofFit,Coef1、回答一個問題擬合優(yōu)度檢驗：對樣本回歸直線與樣本觀測值之間擬合程度的檢驗。問題：采用普通最小二乘估計方法，已經(jīng)保證了模型最好地擬合了樣本觀測值，為什么還要檢驗擬合程度？1、回答一個問題擬合優(yōu)度檢驗：對樣本回歸直線與樣本觀測值之間2、總離差平方和的分解Y的第i個觀測值與樣本均值的離差由回歸直線解釋的部分

回歸直線不能解釋的部分

離差分解為兩部分之和

2、總離差平方和的分解Y的第i個觀測值與樣本均值的離差由回歸第2章經(jīng)典單方程計量經(jīng)濟(jì)學(xué)模型：一元線性回歸模型課件對于所有樣本點，則需考慮離差的平方和：記總體平方和（TotalSumofSquares）回歸平方和（ExplainedSumofSquares）殘差平方和（ResidualSumofSquares

）對于所有樣本點，則需考慮離差的平方和：記總體平方和（TotaTSS=ESS+RSS

Y的觀測值圍繞其均值的總離差(totalvariation)可分解為兩部分：一部分來自回歸線(ESS)，另一部分則來自隨機勢力(RSS)。

在給定樣本中，TSS不變，如果實際觀測點離樣本回歸線越近，則ESS在TSS中占的比重越大，因此

擬合優(yōu)度：回歸平方和ESS/Y的總離差TSSTSS=ESS+RSSY的觀測值圍繞其均值的總離差(3、可決系數(shù)R2統(tǒng)計量是一個非負(fù)的統(tǒng)計量。取值范圍：[0，1]越接近1，說明實際觀測點離回歸線越近，擬合優(yōu)度越高。隨著抽樣的不同而不同。為此，對可決系數(shù)的統(tǒng)計可靠性也應(yīng)進(jìn)行檢驗，這將在第3章中進(jìn)行。3、可決系數(shù)R2統(tǒng)計量是一個非負(fù)的統(tǒng)計量。取值范圍：[0，1二、變量的顯著性檢驗

Testing

SignificanceofVariable二、變量的顯著性檢驗

TestingSignifican說明在一元線性模型中，變量的顯著性檢驗就是判斷X是否對Y具有顯著的線性性影響。變量的顯著性檢驗所應(yīng)用的方法是數(shù)理統(tǒng)計學(xué)中的假設(shè)檢驗。通過檢驗變量的參數(shù)真值是否為零來實現(xiàn)顯著性檢驗。說明在一元線性模型中，變量的顯著性檢驗就是判斷X是否對Y具有1、假設(shè)檢驗（HypothesisTesting）所謂假設(shè)檢驗，就是事先對總體參數(shù)或總體分布形式作出一個假設(shè)，然后利用樣本信息來判斷原假設(shè)是否合理，即判斷樣本信息與原假設(shè)是否有顯著差異，從而決定是否接受或否定原假設(shè)。假設(shè)檢驗采用的邏輯推理方法是反證法。先假定原假設(shè)正確，然后根據(jù)樣本信息，觀察由此假設(shè)而導(dǎo)致的結(jié)果是否合理，從而判斷是否接受原假設(shè)。判斷結(jié)果合理與否，是基于“小概率事件不易發(fā)生”這一原理的。1、假設(shè)檢驗（HypothesisTesting）所謂假設(shè)2、變量的顯著性檢驗—t檢驗用σ2的估計量代替，構(gòu)造t統(tǒng)計量對總體參數(shù)提出假設(shè)：H0：1=0，H1：102、變量的顯著性檢驗—t檢驗用σ2的估計量代替，構(gòu)造t統(tǒng)計量由樣本計算t統(tǒng)計量值；給定顯著性水平(levelofsignificance)，查t分布表得臨界值(criticalvalue)t/2(n-2)；比較，判斷：若|t|>t/2(n-2)，則以（1－α）的置信度（confidencecoefficient）拒絕H0

，接受H1

；若|t|

t/2(n-2)，則以（1－α）的置信度不拒絕H0

。由樣本計算t統(tǒng)計量值；3、關(guān)于常數(shù)項的顯著性檢驗T檢驗同樣可以進(jìn)行。一般不以t檢驗決定常數(shù)項是否保留在模型中，而是從經(jīng)濟(jì)意義方面分析回歸線是否應(yīng)該通過原點。3、關(guān)于常數(shù)項的顯著性檢驗T檢驗同樣可以進(jìn)行?！?.6實例及時間序列問題

§2.6實例及時間序列問題

說明本節(jié)列舉了兩個一元線性回歸模型實例，完成了建立模型、估計參數(shù)、統(tǒng)計檢驗和預(yù)測的過程。適合于課堂演示或者由學(xué)生在計算機上完成。從理論上講，經(jīng)典線性回歸模型理論是以隨機抽樣的截面數(shù)據(jù)或者平穩(wěn)的時間序列數(shù)據(jù)為基礎(chǔ)的。對于非平穩(wěn)時間序列數(shù)據(jù)，存在理論方法方面的障礙。如何處理？本書第8章將專門討論。在2—7章中大量采用非平穩(wěn)時間序列數(shù)據(jù)作為實例，暫時不考慮理論方法方面的障礙。說明本節(jié)列舉了兩個一元線性回歸模型實例，完成了建立模型、估計第二章經(jīng)典單方程計量經(jīng)濟(jì)學(xué)模型：

一元線性回歸模型

TheClassicalSingleEquationEconometricModel:SimpleLinearRegressionModel

第二章經(jīng)典單方程計量經(jīng)濟(jì)學(xué)模型：

一元線性回歸模型

Th本章內(nèi)容

回歸分析概述一元線性回歸模型的基本假設(shè)一元線性回歸模型的參數(shù)估計一元線性回歸模型的檢驗一元線性回歸模型的預(yù)測實例及時間序列問題本章內(nèi)容回歸分析概述§2.1回歸分析概述

(RegressionAnalysis)一、變量間的關(guān)系及回歸分析的基本概念二、總體回歸函數(shù)三、隨機擾動項四、樣本回歸函數(shù)§2.1回歸分析概述

(RegressionAnaly一、變量間的關(guān)系及回歸分析的基本概念一、變量間的關(guān)系及回歸分析1、變量間的關(guān)系確定性關(guān)系或函數(shù)關(guān)系：研究的是確定性現(xiàn)象非隨機變量間的關(guān)系。

統(tǒng)計依賴或相關(guān)關(guān)系：研究的是非確定性現(xiàn)象隨機變量間的關(guān)系。1、變量間的關(guān)系確定性關(guān)系或函數(shù)關(guān)系：研究的是確定性現(xiàn)象非隨對變量間統(tǒng)計依賴關(guān)系的考察主要是通過相關(guān)分析(correlationanalysis)或回歸分析(regressionanalysis)來完成的。相關(guān)分析適用于所有統(tǒng)計關(guān)系。相關(guān)系數(shù)(correlationcoefficient)正相關(guān)(positivecorrelation)負(fù)相關(guān)(negativecorrelation)不相關(guān)(non-correlation)回歸分析僅對存在因果關(guān)系而言。對變量間統(tǒng)計依賴關(guān)系的考察主要是通過相關(guān)分析(correla注意：不存在線性相關(guān)并不意味著不相關(guān)。存在相關(guān)關(guān)系并不一定存在因果關(guān)系。相關(guān)分析對稱地對待任何（兩個）變量，兩個變量都被看作是隨機的?；貧w分析對變量的處理方法存在不對稱性，即區(qū)分應(yīng)變量（被解釋變量）和自變量（解釋變量），前者是隨機變量，后者不一定是。注意：2、回歸分析的基本概念回歸分析(regressionanalysis)是研究一個變量關(guān)于另一個（些）變量的具體依賴關(guān)系的計算方法和理論。其目的在于通過后者的已知或設(shè)定值，去估計和（或）預(yù)測前者的（總體）均值。兩類變量；被解釋變量（ExplainedVariable）或應(yīng)變量（DependentVariable）。解釋變量（ExplanatoryVariable）或自變量（IndependentVariable）。2、回歸分析的基本概念回歸分析(regressionana關(guān)于變量的術(shù)語ExplainedVariable~ExplanatoryVariableDependentVariable~IndependentVariableEndogenousVariable~ExogenousVariableResponseVariable~ControlVariablePredictedVariable~PredictorVariable關(guān)于變量的術(shù)語回歸分析構(gòu)成計量經(jīng)濟(jì)學(xué)的方法論基礎(chǔ)，其主要內(nèi)容包括：根據(jù)樣本觀察值對經(jīng)濟(jì)計量模型參數(shù)進(jìn)行估計，求得回歸方程；對回歸方程、參數(shù)估計值進(jìn)行顯著性檢驗；利用回歸方程進(jìn)行分析、評價及預(yù)測?；貧w分析構(gòu)成計量經(jīng)濟(jì)學(xué)的方法論基礎(chǔ)，其主要內(nèi)容包括：二、總體回歸函數(shù)

PopulationRegressionFunction,PRF二、總體回歸函數(shù)

PopulationRegression1、條件均值（conditionalmean）例2.1.1：一個假想的社區(qū)有99戶家庭組成，欲研究該社區(qū)每月家庭消費支出Y與每月家庭可支配收入X的關(guān)系。即如果知道了家庭的月收入，能否預(yù)測該社區(qū)家庭的平均月消費支出水平。為達(dá)到此目的，將該99戶家庭劃分為組內(nèi)收入差不多的10組，以分析每一收入組的家庭消費支出。1、條件均值（conditionalmean）例2.1.1第2章經(jīng)典單方程計量經(jīng)濟(jì)學(xué)模型：一元線性回歸模型課件由于不確定因素的影響，對同一收入水平X，不同家庭的消費支出不完全相同；但由于調(diào)查的完備性，給定收入水平X的消費支出Y的分布是確定的，即以X的給定值為條件的Y的條件分布（Conditionaldistribution）是已知的，例如：P(Y=561|X=800）=1/4。因此，給定收入X的值Xi，可得消費支出Y的條件均值（conditionalmean）或條件期望（conditionalexpectation）：E(Y|X=Xi)。該例中：E(Y|X=800)=605由于不確定因素的影響，對同一收入水平X，不同家庭的消費支出不描出散點圖發(fā)現(xiàn)：平均地說，隨著收入的增加，消費也在增加，且Y的條件均值均落在一根正斜率的直線上。05001000150020002500300035005001000150020002500300035004000每月可支配收入X（元）每月消費支出Y（元）描出散點圖發(fā)現(xiàn)：平均地說，隨著收入的增加，消費也在增加，且Y2、總體回歸函數(shù)在給定解釋變量Xi條件下被解釋變量Yi的期望軌跡稱為總體回歸線（populationregressionline），或更一般地稱為總體回歸曲線（populationregressioncurve）。相應(yīng)的函數(shù)稱為（雙變量）總體回歸函數(shù)（populationregressionfunction,PRF）。2、總體回歸函數(shù)在給定解釋變量Xi條件下被解釋變量Yi的期望含義：回歸函數(shù)（PRF）說明被解釋變量Y的平均狀態(tài)（總體條件期望）隨解釋變量X變化的規(guī)律。函數(shù)形式：可以是線性或非線性的。例2.1.1中，將居民消費支出看成是其可支配收入的線性函數(shù)時:為線性函數(shù)。其中，0，1是未知參數(shù)，稱為回歸系數(shù)（regressioncoefficients）。含義：回歸函數(shù)（PRF）說明被解釋變量Y的平均狀態(tài)（總體條件三、隨機擾動項

StochasticDisturbance

三、隨機擾動項

StochasticDisturbance總體回歸函數(shù)說明在給定的收入水平Xi下，該社區(qū)家庭平均的消費支出水平。但對某一個別的家庭，其消費支出可能與該平均水平有偏差。稱為觀察值圍繞它的期望值的離差（deviation），是一個不可觀測的隨機變量，又稱為隨機干擾項（stochasticdisturbance）或隨機誤差項（stochasticerror）。總體回歸函數(shù)說明在給定的收入水平Xi下，該社區(qū)家庭平均的消費例2.1.1中，給定收入水平Xi,個別家庭的支出可表示為兩部分之和：該收入水平下所有家庭的平均消費支出E(Y|Xi)，稱為系統(tǒng)性（systematic）或確定性（deterministic)部分；其他隨機或非確定性（nonsystematic)部分i。

稱為總體回歸函數(shù)（PRF）的隨機設(shè)定形式。表明被解釋變量除了受解釋變量的系統(tǒng)性影響外，還受其他因素的隨機性影響。由于方程中引入了隨機項，成為計量經(jīng)濟(jì)學(xué)模型，因此也稱為總體回歸模型(PRM)。例2.1.1中，給定收入水平Xi,個別家庭的支出可表示為兩隨機誤差項主要包括下列因素：在解釋變量中被忽略的因素的影響；影響不顯著的因素未知的影響因素?zé)o法獲得數(shù)據(jù)的因素變量觀測值的觀測誤差的影響；模型關(guān)系的設(shè)定誤差的影響；其它隨機因素的影響。隨機誤差項主要包括下列因素：關(guān)于隨機項的說明：將隨機項區(qū)分為“源生的隨機擾動”和“衍生的隨機誤差”?！霸瓷碾S機擾動”僅包含無數(shù)對被解釋變量影響不顯著的因素的影響，服從極限法則（大數(shù)定律和中心極限定理），滿足基本假設(shè)?！把苌碾S機誤差”包含上述所有內(nèi)容，并不一定服從極限法則，不一定滿足基本假設(shè)。在§9.3中將進(jìn)一步討論。關(guān)于隨機項的說明：

四、樣本回歸函數(shù)

SampleRegressionFunction,SRF

四、樣本回歸函數(shù)

SampleRegressionFu1、樣本回歸函數(shù)問題：能否從一次抽樣中獲得總體的近似信息？如果可以，如何從抽樣中獲得總體的近似信息？在例2.1.1的總體中有如下一個樣本，能否從該樣本估計總體回歸函數(shù)？

回答：能1、樣本回歸函數(shù)問題：能否從一次抽樣中獲得總體的近似信息？如

該樣本的散點圖（scatterdiagram)：

畫一條直線以盡好地擬合該散點圖，由于樣本取自總體，可以將該直線近似地代表總體回歸線。該直線稱為樣本回歸線（sampleregressionlines）。

樣本回歸線的函數(shù)形式為：稱為樣本回歸函數(shù)（sampleregressionfunction，SRF）。該樣本的散點圖（scatterdiagram)：畫一條

注意：這里將樣本回歸線看成總體回歸線的近似替代則注意：這里將樣本回歸線看成總體回歸線的近似替代則2、樣本回歸模型樣本回歸函數(shù)的隨機形式：

由于方程中引入了隨機項，成為計量經(jīng)濟(jì)模型，因此也稱為樣本回歸模型（sampleregressionmodel）。

2、樣本回歸模型樣本回歸函數(shù)的隨機形式：由于方程中引入了隨回歸分析的主要目的：根據(jù)樣本回歸函數(shù)SRF，估計總體回歸函數(shù)PRF?；貧w分析的主要目的：根據(jù)樣本回歸函數(shù)SRF，估計總體回歸函數(shù)§2.2一元線性回歸模型的基本假設(shè)

(AssumptionsofSimpleLinearRegressionModel)

一、關(guān)于模型設(shè)定的假設(shè)二、關(guān)于解釋變量的假設(shè)三、關(guān)于隨機項的假設(shè)§2.2一元線性回歸模型的基本假設(shè)

(Assumptio說明為保證參數(shù)估計量具有良好的性質(zhì)，通常對模型提出若干基本假設(shè)。實際上這些假設(shè)與所采用的估計方法緊密相關(guān)。下面的假設(shè)主要是針對采用普通最小二乘法（OrdinaryLeastSquares,OLS）估計而提出的。所以，在有些教科書中稱為“TheAssumptionUnderlyingtheMethodofLeastSquares”。在不同的教科書上關(guān)于基本假設(shè)的陳述略有不同，下面進(jìn)行了重新歸納。（具體的基本假設(shè)見教材）說明為保證參數(shù)估計量具有良好的性質(zhì)，通常對模型提出若干基本假1、關(guān)于模型關(guān)系的假設(shè)模型設(shè)定正確假設(shè)。Theregressionmodeliscorrectlyspecified.線性回歸假設(shè)。Theregressionmodelislinearintheparameters。

注意：“l(fā)inearintheparameters”的含義是什么？1、關(guān)于模型關(guān)系的假設(shè)模型設(shè)定正確假設(shè)。Theregres2、關(guān)于解釋變量的假設(shè)確定性假設(shè)。Xvaluesarefixedinrepeatedsampling.Moretechnically,Xisassumedtobenonstochastic.

注意：“inrepeatedsampling”的含義是什么？與隨機項不相關(guān)假設(shè)。ThecovariancesbetweenXiandμiarezero.由確定性假設(shè)可以推斷。2、關(guān)于解釋變量的假設(shè)確定性假設(shè)。Xvaluesare觀測值變化假設(shè)。Xvaluesinagivensamplemustnotallbethesame.無完全共線性假設(shè)。Thereisnoperfectmulticollinearityamongtheexplanatoryvariables.

適用于多元線性回歸模型。樣本方差假設(shè)。隨著樣本容量的無限增加，解釋變量X的樣本方差趨于一有限常數(shù)。時間序列數(shù)據(jù)作樣本時間適用觀測值變化假設(shè)。Xvaluesinagivensa3、關(guān)于隨機項的假設(shè)0均值假設(shè)。Theconditionalmeanvalueofμiiszero.

同方差假設(shè)。Theconditionalvariancesofμiareidentical.(Homoscedasticity)由模型設(shè)定正確假設(shè)推斷。是否滿足需要檢驗。3、關(guān)于隨機項的假設(shè)0均值假設(shè)。Theconditiona序列不相關(guān)假設(shè)。Thecorrelationbetweenanytwoμiandμjiszero.是否滿足需要檢驗。序列不相關(guān)假設(shè)。Thecorrelationbetwee4、隨機項的正態(tài)性假設(shè)在采用OLS進(jìn)行參數(shù)估計時，不需要正態(tài)性假設(shè)。在利用參數(shù)估計量進(jìn)行統(tǒng)計推斷時，需要假設(shè)隨機項的概率分布。一般假設(shè)隨機項服從正態(tài)分布?？梢岳弥行臉O限定理（centrallimittheorem,CLT）進(jìn)行證明。正態(tài)性假設(shè)。Theμ’sfollowthenormaldistribution.4、隨機項的正態(tài)性假設(shè)在采用OLS進(jìn)行參數(shù)估計時，不需要正態(tài)5、CLRM和CNLRM以上假設(shè)（正態(tài)性假設(shè)除外）也稱為線性回歸模型的經(jīng)典假設(shè)或高斯（Gauss）假設(shè)，滿足該假設(shè)的線性回歸模型，也稱為經(jīng)典線性回歸模型（ClassicalLinearRegressionModel,CLRM）。同時滿足正態(tài)性假設(shè)的線性回歸模型，稱為經(jīng)典正態(tài)線性回歸模型（ClassicalNormalLinearRegressionModel,CNLRM）。5、CLRM和CNLRM以上假設(shè)（正態(tài)性假設(shè)除外）也稱為§2.3一元線性回歸模型的參數(shù)估計

(EstimationofSimpleLinearRegressionModel)

一、參數(shù)的普通最小二乘估計（OLS）二、參數(shù)估計的最大或然法(ML)三、最小二乘估計量的性質(zhì)四、參數(shù)估計量的概率分布及隨機干擾項方差的估計

§2.3一元線性回歸模型的參數(shù)估計

(Estimatio一、參數(shù)的普通最小二乘估計（OLS）一、參數(shù)的普通最小二乘估計（OLS）1、最小二乘原理根據(jù)被解釋變量的所有觀測值與估計值之差的平方和最小的原則求得參數(shù)估計量。

為什么取平方和？1、最小二乘原理根據(jù)被解釋變量的所有觀測值與估計值之差的平方2、正規(guī)方程組該關(guān)于參數(shù)估計量的線性方程組稱為正規(guī)方程組（normalequations）。2、正規(guī)方程組該關(guān)于參數(shù)估計量的線性方程組稱為正規(guī)方程組（n3、參數(shù)估計量求解正規(guī)方程組得到結(jié)構(gòu)參數(shù)的普通最小二乘估計量（ordinaryleastsquaresestimators）及其離差形式：

分布參數(shù)的普通最小二乘估計量3、參數(shù)估計量求解正規(guī)方程組得到結(jié)構(gòu)參數(shù)的普通最小二乘估計量4、“估計量”（estimator）和“估計值”

(estimate)的區(qū)別

如果給出的參數(shù)估計結(jié)果是由一個具體樣本資料計算出來的，它是一個“估計值”，或者“點估計”，是參數(shù)估計量的一個具體數(shù)值；如果把上式看成參數(shù)估計的一個表達(dá)式，那么，則是Yi的函數(shù)，而Yi是隨機變量，所以參數(shù)估計也是隨機變量，在這個角度上，稱之為“估計量”。

4、“估計量”（estimator）和“估計值”(esti二、參數(shù)估計的最大似然法(ML)二、參數(shù)估計的最大似然法(ML)1、最大似然法最大似然法(MaximumLikelihood,ML)，也稱最大或然法，是不同于最小二乘法的另一種參數(shù)估計方法，是從最大或然原理出發(fā)發(fā)展起來的其它估計方法的基礎(chǔ)。基本原理：當(dāng)從模型總體隨機抽取n組樣本觀測值后，最合理的參數(shù)估計量應(yīng)該使得從模型中抽取該n組樣本觀測值的概率最大。ML必須已知隨機項的分布。1、最大似然法最大似然法(MaximumLikelihoo2、估計步驟Yi的分布Yi的概率函數(shù)

Y的所有樣本觀測值的聯(lián)合概率—似然函數(shù)

2、估計步驟Yi的分布Yi的概率函數(shù)Y的所有樣本觀測值的聯(lián)對數(shù)似然函數(shù)

對數(shù)似然函數(shù)極大化的一階條件結(jié)構(gòu)參數(shù)的ML估計量對數(shù)似然函數(shù)對數(shù)似然函數(shù)極大化的一階條件結(jié)構(gòu)參數(shù)的ML估計3、討論在滿足一系列基本假設(shè)的情況下，模型結(jié)構(gòu)參數(shù)的最大似然估計量與普通最小二乘估計量是相同的。但是，分布參數(shù)的估計結(jié)果不同。3、討論在滿足一系列基本假設(shè)的情況下，模型結(jié)構(gòu)參數(shù)的最大似然§2.4一元線性回歸模型的統(tǒng)計檢驗

StatisticalTestofSimpleLinearRegressionModel

一、擬合優(yōu)度檢驗

二、變量的顯著性檢驗

三、參數(shù)的置信區(qū)間

§2.4一元線性回歸模型的統(tǒng)計檢驗

Statistica說明回歸分析是要通過樣本所估計的參數(shù)來代替總體的真實參數(shù)，或者說是用樣本回歸線代替總體回歸線。盡管從統(tǒng)計性質(zhì)上已知，如果有足夠多的重復(fù)抽樣，參數(shù)的估計值的期望（均值）就等于其總體的參數(shù)真值，但在一次抽樣中，估計值不一定就等于該真值。那么，在一次抽樣中，參數(shù)的估計值與真值的差異有多大，是否顯著，這就需要進(jìn)一步進(jìn)行統(tǒng)計檢驗。主要包括擬合優(yōu)度檢驗、變量的顯著性檢驗及參數(shù)的區(qū)間估計。說明回歸分析是要通過樣本所估計的參數(shù)來代替總體的真實參數(shù)一、擬合優(yōu)度檢驗

GoodnessofFit,CoefficientofDetermination一、擬合優(yōu)度檢驗

GoodnessofFit,Coef