05-第二章一元回归模型1.ppt

2、关于解释变量的假设 确定性假设。X values are fixed in repeated sampling. More technically, X is assumed to be nonstochastic. 注意：“in repeated sampling”的含义是什么？ 与随机项不相关假设。The covariances between Xi and μi are zero. 由确定性假设可以推断。 观测值变化假设。X values in a given sample must not all be the same. 无完全共线性假设。There is no perfect multicollinearity among the explanatory variables. 适用于多元线性回归模型。 样本方差假设。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。 时间序列数据作样本时间适用 3、关于随机项的假设 0均值假设。The conditional mean value of μi is zero. 同方差假设。The conditional variances of μi are identical.(Homoscedasticity) 由模型设定正确假设推断。 是否满足需要检验。 序列不相关假设。The correlation between any two μi and μj is zero. 是否满足需要检验。 4、随机项的正态性假设 在采用OLS进行参数估计时，不需要正态性假设。在利用参数估计量进行统计推断时，需要假设随机项的概率分布。 一般假设随机项服从正态分布。可以利用中心极限定理（central limit theorem, CLT）进行证明。 正态性假设。The μ’s follow the normal distribution. 5、CLRM 和 CNLRM 以上假设（正态性假设除外）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）。 同时满足正态性假设的线性回归模型，称为经典正态线性回归模型（Classical Normal Linear Regression Model, CNLRM）。 第二章 经典单方程计量经济学模型：一元线性回归模型 The Classical Single Equation Econometric Model: Simple Linear Regression Model 本章内容 回归分析概述 一元线性回归模型的基本假设 一元线性回归模型的参数估计 一元线性回归模型的检验 一元线性回归模型的预测 实例及时间序列问题 §2.1 回归分析概述(Regression Analysis) 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 一、变量间的关系及回归分析 的基本概念 1、变量间的关系 确定性关系或函数关系：研究的是确定性现象非随机变量间的关系。 统计依赖或相关关系：研究的是非确定性现象随机变量间的关系。 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。 相关分析适用于所有统计关系。 相关系数(correlation coefficient) 正相关(positive correlation) 负相关(negative correlation) 不相关(non-correlation) 回归分析仅对存在因果关系而言。 注意： 不存在线性相关并不意味着不相关。 存在相关关系并不一定存在因果关系。 相关分析对称地对待任何（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，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，后者不一定是。 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、回归分析的基本概念 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。 其目的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。 两类变量； 被解释变量（Explained Variable）或应变量（Dependent Variable）。 解释变量（Explanatory Variable）或自变量（Indepen