Eviews5章基本回归模型的OLS估计 精选文档.ppt

EViews 统计分析基础教程 五、 线性回归模型的检验 4. 序列相关检验 方法： （ 1 ）杜宾（ D .W . — Durbin-Watson ）检验法 （ 2 ） LM （拉格朗日乘数 — Lagrange Multiplier ）检验法 EViews 统计分析基础教程 第 5 章 基本回归模型的 OLS 估计 重点内容： ? 普通最小二乘法 ? 线性回归模型的估计 ? 线性回归模型的检验 EViews 统计分析基础教程 一、普通最小二乘法（ OLS ） 1. 最小二乘原理 设（ x 1 ， y 1 ），（ x 2 ， y 2 ）， … ，（ x n ， y n ）是平面直角坐 标系下的一组数据，且 x 1 x 2 … x n ，如果这组图像接近 于一条直线，我们可以确定一条直线 y = a + b x ，使得这 条直线能反映出该组数据的变化。 如果用不同精度多次观测一个或多个未知量，为了确定各未 知量的可靠值，各观测量必须加改正数，使其各改正数的平 方乘以观测值的权数的总和为最小。因而称最小二乘法。 EViews 统计分析基础教程 一、普通最小二乘法（ OLS ） 1. 最小二乘原理 设双变量的总体回归方程为 y t = B 1 + B 2 x t + μ t 样本回归函数为 y t = b 1 + b 2 x t + e t 其中， e t 为残差项， 5-3 式为估计方程， b1 和 b2 分别为 B1 和 B2 的估计量， 因而 e = 实际的 y t – 估计的 y t EViews 统计分析基础教程 一、普通最小二乘法（ OLS ） 1. 最小二乘原理 估计总体回归函数的最优方法是选择 B 1 和 B 2 的估计量 b 1 ， b 2 ，使得残差 e t 尽可能达到最小。 用公式表达即为 总之，最小二乘原理就是选择样本回归函数使得 y 的估计值 与真实值之差的平方和最小。 EViews 统计分析基础教程 一、普通最小二乘法（ OLS ） 2. 方程对象 选择工作文件窗口工具栏中的“ Object ” | “ New Object ”| “Equation” 选项，在下图所示的对话框中输入方程变量。 EViews 统计分析基础教程 一、普通最小二乘法（ OLS ） 2. 方程对象 EViews5.1 提供了 8 种估计方法： ? “ LS ” 为最小二乘法； ? “ TSLS ” 为两阶段最小二乘法； ? “ GMM ” 为广义矩法； ? “ ARCH ” 为自回归条件异方差； ? “ BINARY ” 为二元选择模型，其中包括 Logit 模型、 Probit 模型和极端值模型； ? “ ORDERED ” 为有序选择模型； ? “ CENSORED ” 截取回归模型； ? “ COUNT ” 为计数模型。 EViews 统计分析基础教程 二、一元线性回归模型 1. 模型设定 一元线性回归模型的形式为 y i = ? 0 + ? 1 x i + u i （ i=1 ， 2 ， … ， n ） 其中， y 为被解释变量，也被称为因变量； x 为解释变量或自 变量； u 是随机误差项（ random error term ），也被称为 误差项或扰动项，它表示除了 x 之外影响 y 的因素，即 y 的变 化中未被 x 所解释的部分； n 为样本个数。 EViews 统计分析基础教程 二、一元线性回归模型 2. 实际值、拟合值和残差 估计方程为 表示的是 y t 的拟合值， 和 分别是 ? 0 和 ? 1 的估计量。实 际值指的是回归模型中被解释变量（因变量） y 的原始观测 数据。拟合值就是通过回归模型计算出来的 y t 的预测值。 EViews 统计分析基础教程 二、一元线性回归模型 2. 实际值、拟合值和残差 三条曲线分别是实际值（ Actual ），拟合值（ Fitted ） 和残差（ Residual ）。实际值和拟合值越接近，方程拟 合效果越好。 EViews 统计分析基础教程 三、多元线性回归模型 通常情况下，将含有多个解释变量的线性回归模型（多 元线性回归模型