计量经济学学习笔记（长篇未完成）_解释变量确定性假设-CSDN博客

本文链接：https://blog.csdn.net/lbwnbdedede/article/details/123435962

文章目录

前言
一、基本模型
二、数据特征
三、面板数据类型
四、其他
总结

前言

2021年暑假自学的内容，现由纸质笔记整理到CSDN上。

一、基本模型

1、一元线性回归模型

回归线的定义
在这里插入图片描述
回归线的基本假定
关于模型关系的假设：模型设定正确假设、线性回归假设；
关于解释变量的假设：确定性假设、与随机项不相关假设、观测值变化假设、无完全共线性假设、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）；
关于随机项的假设：0均值假设
$E\left(\mu_{i} \mid X_{i}\right)=0, i=1,2, \cdots, n$
同方差假设
$\operatorname{Var}\left(\mu_{i} \mid X_{i}\right)=\sigma^{2}, i=1,2, \cdots, n$
序列不相关假设
$\operatorname{Cov}\left(\mu_{i}, \mu_{j} \mid X_{i}, X_{j}\right)=0, i, j=1,2, \cdots, n, i \neq j$ ；
随机项的正态性假设：正态性假设
$\mu_{i} \sim N\left(0, \sigma^{2}\right) \rightarrow \mu_{i} \sim \operatorname{NID}\left(0, \sigma^{2}\right)$
平方和
$\widehat{y_{i}}= \widehat{Y_{i}}- \bar{Y_{i}}$
$\sum y_{i}^2=\sum \widehat{y_i}^2+\sum \widehat{u_i}^2$
$\widehat{u_i}=\widehat{U_i}$
总平方和（波动程度）TSS：
$\sum y_{i}^2$
解释平方和ESS：
$\sum \widehat{y_i}^2$
残差平方和RSS（ $y_{i}$ 的波动，没有被 $x_{i}$ 解释的部分）：
$\sum \widehat{u_i}^2$

拟合优度定义及含义
可决系数 $R^2$ ：被解释变量的波动程度，由解释变量解释的那一部分
$R^2=ESS/TSS=1-RSS/TSS$
相关性r：常见的有斯皮尔曼相关性（不要求正态分布）、皮尔逊相关性（要求正态分布）

随机干扰项方差的置信区间
$\frac{(n-2) \widehat{\delta}^2}{ \delta ^2}$ 服从卡方分布，其中 $\delta^2$ 置信区间为 $\frac{(n-2)\widehat{\delta}^2}{x_{a/2}^2},\frac{(n-2)\widehat{\delta}^2}{x_{1-a/2}^2}]$
假设检验略

均值预测和个体预测
个体预测： $x_0$ 相对应 $y$ 的个别值，回归线上的值+随机误差项
均值预测：回归线上的点（用历史点预测）
对于方差：个体预测＞均值预测

检验步骤：
（1）散点图（k个点）
（2）线性回归（得到方程和t统计量） $R^2、Se、T$
（3）回归系数的显著性检验（设 $H_0$ 、 $H_1$ ，显著性水平为 $x$ ， $t_{\frac{a}{2}}(k)$ ）为临界值，看t统计量是否超过该临界值，超过则拒绝原假设。

注意：y=ax+b，b是否通过显著性检验都不应该删去

2、多元线性回归模型

多元回归模型的矩阵表达形式
$Y=\left[\begin{array}{c} y_{1} \\ y_{2} \\ \vdots \\ y_{n} \end{array}\right], X=\left[\begin{array}{cccc} 1 & x_{11} & \cdots & x_{1 p} \\ 1 & x_{21} & \cdots & x_{2 p} \\ \vdots & \vdots & & \vdots \\ 1 & x_{n 1} & \cdots & x_{n p} \end{array}\right], \epsilon=\left[\begin{array}{c} \epsilon_{1} \\ \epsilon_{2} \\ \vdots \\ \epsilon_{n} \end{array}\right], \beta=\left[\begin{array}{c} \beta_{0} \\ \beta_{1} \\ \vdots \\ \beta_{p} \end{array}\right]$
$\cdot \beta+\epsilon$

最小二乘法（略）
可决系数
$\bar{R}^2=1-\frac{RSS/(N-k-1)}{TSS/(N-1)}=1-\frac{N-1}{N-k-1}\cdot\frac{TSS-ESS}{TSS}$
$\bar{R}^2=1-\frac{N-1}{N-k-1}\cdot(1-R^2)$
指标
回归均方MSE：解释平方和ESS除以自由度k，这里的k为解释变量的个数
误差均方MSR：残差平方和RSS除以自由度N-k-1
由上述可得：
$F=\frac{MSR}{MSE}=\frac{ESS/k}{RSS/N-k-1}\sim F(k,N-k-1)$
预测误差： $e_{i}=\widehat{Y_{i}}-Y_{i}$
相对误差： $PE=(\widehat{Y_{i}}-Y_{i})/Y_{i}$
误差均方根： $RMS=\sqrt{\frac{1}{T}\sum(\widehat{Y_{i}}-Y_{i})^2}$
相对误差绝对值平均： $MAPE=\frac{1}{T}\sum|\frac {\widehat{Y_{i}}-Y_{i}}{Y_{i}}|$
Theil不等系数（衡量预测值偏离实际发生值的程度）：越接近0，误差越小

标准化
$\frac{Y_i-Y}{S(Y_i)}=\beta_1 \cdot \frac{X_{i1}-\bar{X_1}}{S(X_{i1})}+\beta_2 \cdot \frac{X_{i2}-\bar{X_2}}{S(X_{i2})}+u_i$
注意：回归模型的残差项中没有自相关和异方差，解释变量中没有多重共线性，而且解释变量应该满足外生性假定。稳定性要强，超样本特性要好。

步骤
1.散点图，判断能否线性回归
2.建立模型 $Y_t=\beta_0 + \beta_1 \cdot x_{1t}...+u_t$
3.数据处理得 $\beta_0,\beta_1....$ 、t统计量、 $t_{\frac{a}{2}}(k)$ 判断显著性，再利用可决系数 $R^2$ 、自相关性DW等判断拟合优度
4.样本外预测（可一点）：点估计、区间估计。样本内预测（稳健性判断）

3、可线性化的非线性模型

标准线性：对变量线性、对参数线性
多项式函数模型：倒数函数模型、对数函数模型、指数函数模型、幂函数函数模型、生长曲线函数模型

多项式函数模型
$y=\beta_0+\beta_1 \cdot x_i+\beta_2 \cdot x_i^2+...+\beta_k \cdot x_{i}^k+u_i$
转为：
$y=\beta_0+\beta_1 \cdot z_1+\beta_2 \cdot z_2+...+\beta_k \cdot z_k+u_i$
常用的有二次、三次，二次：总成本函数模型。三次：边际成本函数模型、平均成本函数模型。

倒数、对数、指数、幂函数模型
倒数： $y_i=\beta_0+\beta_1/x_i+u_i$ 转为 $y_i=\beta_0+\beta_1 \cdot x_{i}^{*}+u_i$

对数： $y_i=\beta_0+\beta_1 \cdot Ln(x_i)+u_i$ 转为 $y_i=\beta_0+\beta_1 \cdot x_{i}^{*}+u_i$

指数： $y_i=\beta_0 e^{\beta_1 \cdot x_i+u_i}$ 转为 $ln(y_i)=ln(\beta_0)+\beta_1 \cdot$ 转为 $y_{i}^{*}=\beta_0^*+\beta_1 \cdot x_{i}+u_i$

$\frac{\vartriangle Y}{Y}=\beta_1 \cdot \vartriangle x$
既将Y的相对变化与x的绝对变化的关系，若将x转为△t则可视为增长模型

幂函数（全对数模型）： $y_i=\beta_0 x_i^{\beta_1}e^{u_i}$ 转为 $ln(y_i)=ln(\beta_0)+ \beta_1 \cdot ln(x_i)+u_i$ 转为 $y_{i}^{*}=\beta_0^*+\beta_1 \cdot x_{i}^*+u_i$ 应用如生产函数

生长曲线logistics模型
$\frac{k}{y}=1+\beta_i e^{-\beta_0 t+u_t}$ 转为 $ln(\frac{k}{y}-1)=ln(\beta_1)-\beta_0 t+u_t$ 转为 $y_{i}^{*}=\beta_0^*-\beta_1 \cdot x_{i}+u_i$