《计量经济学》第四版庞皓版（更新中……）_计量经济学庞皓第四版pdf-CSDN博客

本文链接：https://blog.csdn.net/SJL111222333/article/details/121309859

第二章简单线性回归模型

2.1 回归分析与回归函数

相关关系于回归分析：

① 变量之间的相关关系类型：

从相关关系涉及的变量数量看

从相关关系涉及的表现形式看

从相关关系涉及的变化方向看

从变量相关的程度看

②相关关系的度量

$\rho= \frac{Cov(X,Y) }{\sqrt{Var(X)Var(Y)}}$

$r_{XY}=\frac{\sum (X_{i}-\bar{X})(Y_{i}-\bar{Y})}{\sqrt{\sum (X_{i}-\bar{X})^{2}(Y_{i}-\bar{Y})^{2}}}$

多个变量间的线性相关程度，则需要用复相关系数和偏相关系数去度量。

③相关系数的特点

相关系数的取值特点：

取到1，-1，[-1.0],[0.1],0时的含义

④使用相关系数时，应当注意的点：

$r_{XY}=r_{YX}$

相关系数只反映变量间的线性相关程度，不能说明非线性相关关系

相关系数不能确定变量的因果关系，也不能说明相关关系具体接近于那条直线

样本相关系数时根据从总体中抽取的随机样本的观测值计算出来的，它只是对总体相关系数 $\rho$ 的估计

回归分析

① 回归分析VS相关性分析

回归分析VS相关分析
	回归分析	相关分析
联系	先相关性分析，在回归分析	若要测量相关关系的数量形式，需要用回归分析
区别	有因果关系，解释变量为非随机变量，被解释变量为随机变量	只能确定相关关系，不知因果，两个变量都是随机变量
	目的时寻求变量间联系的具体数学形式，是要根据解释变量的固定值去估计和预测被解释变量的平均值	目的是用一定的数量指标度量变量间相互联系的方向和程度
局限性	不能决定经济现象相互间的本质联系，还需结合实践经验去分析，并要由经济学理论去加以说明	不能说明变量间相关关系的具体形式

②总体回归函数(PRF)：

$E\left ( Y\mid X_{i} \right )= f\left ( X_{i} \right )= \beta _{1}+\beta _{1}X_{i}$

随机扰动项 $u_{i}$

$u_{i}= Y_{i}-E\left ( Y\mid X_{i} \right )= Y_{i}-\beta _{1}-\beta _{1}X_{i}$

$E\left ( Y\mid X_{i} \right )=E\left(E\left ( Y\mid X_{i} \right )\right )+E\left ( u_{i}\mid X_{i} \right )=E\left ( Y\mid X_{i} \right )+E\left ( u_{i}\mid X_{i} \right )$ 式（1）

式（1）暗含 $E\left ( u_{i}\mid X_{i} \right )=0$

引进随机扰动项原因
作为未知影响因素的代表
作为无法取得数据的已知因素的代表
作为众多细小因素的综合代表
模型设定误差
变量的观测误差
经济现象的内在随机性

③样本回归函数（SRF）

$\hat{Y}_{i}=\hat{\beta }_{1}+\hat{\beta}_{2}Y_{i}$

$Y_{i}=\hat{\beta }_{1}+\hat{\beta}_{2}Y_{i}+e_{i}$

PRF VS SRF
PRF	SRF
未知但确定	随抽样抽样波动而变化，不是PRF，至多只是未知的总体回归线的近似反映
参数是确定的	参数随抽样而变化的随机变量
$u_{i}$ 是不可直接观测的	$e_{i}$ 是可以计算的

2.2 简单线性回归模型参数的估计

简单线性回归的基本假定

①对变量和模型的假定

变量	模型
假定解释变量 $X_{i}$ 是确定性变量，也即非随机变量	变量没有测量误差
或者解释变量虽然是随机的，但是和随机扰动项也是不相关的	不存在设定误差：模型会变量和函数形式的设定是正确的

②对随机扰动项的假定

假定	形式	假定的应用	$Y_{i}$ 的分布性质
假定1(零均值假定)（无偏性）	$E\left ( u_{i} \mid X_{i}\right )=0$	无偏性？	$E\left ( Y_{i} \mid X_{i}\right )=\beta _{1}+\beta _{2}X_{i}$
假定2（同方差假定）(有效性、假设检验、区间估计)	$Var\left (u _{i} \mid X_{i}\right )=E\left [u_{i}-E\left (u _{i} \mid X_{i} \right ) \right ]^{2}=E\left ( u_{i}^{2} \right )=\sigma ^{2}$	同方差性？→异方差	$Var\left ( Y_{i} \mid X_{i}\right )=\sigma ^{2}$
假定3（无自相关假定）（有效性）	$Cov(u_{i},u_{j})=E\left [u_{i}-E\left ( u_{i}\right ) \right ]\left [u_{i}-E\left ( u_{j} \right ) \right ]=E\left ( u_{i} u_{j} \right )=0$	无自相关性	$Cov\left ( Y_{i} \mid X_{i}\right )=0 (i\not\equiv j)$
假定4（内生性）	$Cov(u_{i},X_{i})=E[u_{i}-E(u_{i})][X_{i}-E(X_{i})]$	有无内生性？
假定5 正态性假定	$u_{i}\sim N(0,\sigma ^{2})$	通过线性性判断参数的分布	$Y_{i}\sim N(\beta _{1}+\beta_{i}X_{i},\sigma ^{2})$

普通最小二乘估计

①OLS

$min\sum e_{i}^{2}=min\sum(Y_{i}-\hat{Y_{i}})^{2}=min\sum(Y_{i}-\hat{\beta}_{1}-\hat{\beta}_{2}X_{i})^{2}$

$\frac{\partial( \sum e_{i}^2)}{\partial\hat{\beta}_{1}}=-2\sum(Y_{i}-\hat{\beta}_{1}-\hat{\beta}_{2}X_{i})=0\rightarrow \sum e_{i}=0$ (1)

$\frac{\partial( \sum e_{i}^2)}{\partial\hat{\beta}_{2}}=-2\sum(Y_{i}-\hat{\beta}_{1}-\hat{\beta}_{2}X_{i})X_{i}=0\rightarrow \sum e_{i}X_{i}=0$ (2)

（1）和（2）共同得出：

$\hat{\beta}_{2}=\frac{\sum x_{i}y_{i}}{\sum x_{i}^{2}} \rightarrow \hat{\beta}_{1}=\bar{Y}-\hat{\beta}_{2}\bar{X}$

③OLS回归线的性质

数学性质	统计性质(研究所得出的参数估计量是否符合一定的标准)
1. $\bar{Y}=\hat{\beta}_{1}+\hat{\beta}_{2}\bar{X}$ （所有的样本回归线和总样本回归线相交于一点）	1.无偏性（0均值假定）
2. $E(\hat{Y}_{i})=\bar{Y}$	2.有效性（0均值假定和同方差假定）
3. $\hat{e}=o$ (使用正规方程)	3.线性特性
4. $r_{X_{i} e_{i}}=0$
5. $r_{Y_{i} e_{i}}=0$

高斯——马尔可夫定理：在古典假定条件下，OLS估计量 $\hat{\beta}_{1}$ 和 $\hat{\beta}_{2}$ 的最佳线性无偏估计量。

2.3拟合优度

目的：为了评价所建立的样本回归函数对样本观测值的拟合程度

总变差分解

$Y_{i}=\hat{Y}_{i}+e_{i}$

$(Y_{i}-\bar{Y})=(\hat{Y}_{i}-\bar{Y})+\hat{e}_{i}$

TSS=ESS+RSS

可决系数

①可决系数表达式

$R^{2}=\frac{ESS}{TSS}=\frac{\sum(\hat{Y}_{i}-\bar{Y})^{2}}{\sum(Y_{i}-\bar{Y})^{2}}=\frac{\sum\hat{y}_{i}^{2}}{\sum y_{i}^{2}}=\frac{\sum e_{i}^{2}}{\sum y_{i}^{2}}$

②可决系数特点

可决系数式非负统计量

可决系数的取值范围为[0,1]

可决系数 $R^{2}$ 是样本观测值的函数，是随抽样而变动的随机变量

可决系数VS相关系数

	可决系数	相关系数
联系	$R^{2}=r^{2}$	$r=\pm \sqrt{R^{2}}$
区别	度量模型中解释变量对被解释变量变差的解释程度	说明两个变量的线性依存度
	是解释变量于被解释变量不对称的因果关系	涉及相关关系，无具体因果关系
	[0,1]	[-1,1]

2.4 回归系数的假设检验和区间估计

$\hat{\beta}_{1}\sim N(\beta{1},\sigma ^{2}\frac{\sum X_{i}^{2}}{n\sum x_{i}^{2}})$

$\hat{\beta}_{2}\sim N(\beta{2},\frac{\sigma ^{2}}{\sum x_{i}^{2}})$

	回归系数的假设检验	条件	服从分布	回归系数的区间估计	结果显著时
原假设	$\beta_{i}=0$	方差已知	正态分布		拒绝原假设
		方差未知，小样本	t分布（n-k）	$P[-t_{\alpha /2}\leq t=\frac{\hat\beta_{2}-\beta_{2}}{\hat{SE}(\hat{\beta}_{2})}\leq t_{\alpha/2}]=1-\alpha$
		方差未知，大样本	正态分布

2.5回归模型的预测

被解释变量平均值预测		被解释变量个别值预测
点预测	区间预测
将预测或者实际的解释变量值代入，计算被解释变量	$P\left \{ [\hat{Y}_{f}-t_{\alpha /2} \hat{SE}(\hat{Y}_{f})\leq E(Y_{f}\mid X_{f})\leqslant \hat{Y}_{f}+t_{\alpha /2} \hat{SE}(\hat{Y}_{f})] \right \}=1-\alpha$ $\hat{SE}(\hat{Y}_{f})=\hat{\sigma }\sqrt{\frac{1}{n}+\frac{(X_{f}-\bar{X})^{2}}{\sum x_{i}^{2}}}$	$P\left \{ [\hat{Y}_{f}-t_{\alpha /2} \hat{SE}(\hat{Y}_{f})\leq E(Y_{f}\mid X_{f})\leqslant \hat{Y}_{f}+t_{\alpha /2} \hat{SE}(\hat{Y}_{f})] \right \}=1-\alpha$ $\hat{SE}(\hat{Y}_{f})=\hat{\sigma }\sqrt{1+\frac{1}{n}+\frac{(X_{f}-\bar{X})^{2}}{\sum x_{i}^{2}}}$
	存在抽样误差，随着n增加可以无限趋近于0	存在抽样误差和随意扰动项的误差，随着n增加，预测误差只取决于随机扰动项的方差
	＜

第三章多元线性回归模型

3.1多元线性回归模型及古典假定

①多元线性回归模型——结合高代类比上一章理解

②古典假定——多了“无多重共线性假定”

3.2多元线性回归模型的估计

OLS——类比第二章

$X^{'}e=0$

$\hat{\beta}=(X^{'}X)^{-1}X^{'}Y$

$Var-Cov(\hat{\beta})=\sigma ^{2}\left ( X^{'}X \right )^{-1}$

$\sigma ^{2}=\hat{\sigma }^{2}=\frac{\sum e_{i}^{2}}{n-k}$

3.3 多元线性回归模型的假设检验和区间估计

对模型整体显著性的检验	拟合优度			回归方程的显著性检验（F检验）
	可决系数	→	修正可决系数	→	显著性检验
	$R^{2}=\frac{ESS}{TSS}$	多重可决系数是一个不减函数，如果用自由度去校正所计算的变差，可以纠正解释变量个数不同引起的对比困难	$\bar{R}^{2}=1-\frac{RSS/(n-k)}{TSS/(n-1)}$	在回归分析中，不仅要模型的拟合程度高，而且要得到总体回归系数的可靠估计量	$F=\frac{ESS/(k-1)}{TSS/(n-k)}$
回归参数的检验（t检验）	统计量检验		区间估计
	$t_{\beta _{i}}=\frac{\hat{\beta }_2}{\hat{\sigma }\sqrt{c_{33}}}$		$P[-t_{\alpha /2}(n-k)\leq t=\frac{\hat\beta_{j}-\beta_{j}}{\hat{SE}(\hat{\beta}_{j})}(n-k)\leq t_{\alpha/2}]=1-\alpha$

3.4 多元线性回归模型的预测

被解释变量平均值		被解释变量个别值预测
点预测	区间预测	区间预测
将预测或者实际的解释变量值代入，计算被解释变量	$[\hat{Y}_f-t_{\alpha /2}\hat{\sigma }\sqrt{X_{f}\left (X ^{'}X \right )^{-1}X_{f}^{'}}\leq E\left ( Y_{f}\leq \hat{Y}_f+t_{\alpha /2}\hat{\sigma }\sqrt{X_{f}\left (X ^{'}X \right )^{-1}X_{f}^{'}} \right )]$	$[\hat{Y}_f-t_{\alpha /2}\hat{\sigma }\sqrt{1+X_{f}\left (X ^{'}X \right )^{-1}X_{f}^{'}}\leq E\left ( Y_{f}\leq \hat{Y}_f+t_{\alpha /2}\hat{\sigma }\sqrt{1+X_{f}\left (X ^{'}X \right )^{-1}X_{f}^{'}} \right )]$