多元线性回归模型(二).pptx

多元线性回归模型（二）;一、方差分解、拟合优度与总体方程的显著性检验;（二）总体方程的显著性检验;可设计显著性检验程 (1) 设置原假设与对立假设： 原假设： 对立假设 ： 回归系数（除常数项外）不全为零 (即回归方程显著)； (2) 作统计量 (3) 根据样本数据和原假设计算统计量F的值； (4) 根据统计量F的值进行显著性判断： 对于给定的显著性水平 α（它反映了结论的可靠度为（1- α）），如果统计量F的值小于某个临界值Fα 不拒绝回归方程不显著的假设。 如果统计量F的值大于某个临界值Fα ，则拒绝回归方程不显著的假设，即回归方程显著。;二、有关回归系数的线性约束检验;三、蒙特卡罗实验;X2; (2) 以真实模型和解释变量的控制值为依据，给出被解释变量的观测值为20的100个样本，并利用这些样本分别求出回归系数和随机扰动项的方差的最大似然估计量，计算这些估计量的平均值并与真实值进行比较。 (3) 试计算回归系数的估计值的协方差矩阵和估计协方差矩阵并进行对比。 (4) 利用一个样本结果，在5%的显著性水平下，进行如下假设检验： A) β2=0 B) β3=1 C) β2+β3=1 上述问题在Eviews的工作平台上解决。 ;四、多元线性回归系数的含义; 在经典线性回归分析中，常常把应变量的期望值看成一种典型值，把误差或扰动看成是对典型值的偏离，而现代的计量分析则主要是把偏离看成未观测到的因素的作用。所以当经济变量之间的关系本来是多元关系而我们用简单线性回归模型来代替时，由于简单线性回归模型把许多未观测到的因素放入到扰动项中了，因此很难说斜率项回归系数是在其它变量保持不变时，解释变量对被解释变量的影响，换言之，由于简单线性回归模型把许多未观测到的因素放入到扰动项中，从而使研究者无法通过最小二乘法把这些变量控制，因而回归系数所反映的并不是模型中的解释变量对应变量的净影响。所以一般来说，回归系数的最小二乘估计是有偏的和不一致的。 这样引伸出一个重要结论：建立经济模型要按照 从一般到简单的原则 而不是 从简单到一般的原则。;五、复相关系数与偏相关系数;如何排除一个变量的影响？; 虽然一阶相关系数与零阶相关系数在大小上并无一定的关系，即一阶相关系数可能大于或小于零阶相关系数，但是当零阶相关系数较大，而一阶相关系数接近零的时候，则说明可能存在谬误相关。