【中级计量经济学】Lecture 1 计量经济学初步

Lecture 1 计量经济学初步

1.0 其他问题或归纳

ESS (Explained Sum of Squares) = SSR (Sum of Squares from Regression) 回归平方和

RSS (Residual Sum of Squares) = SSE (Sum of Squares from Errors) 残差平方和

TSS=ESS+RSS=SSR+SSE=SST

$R^2=\frac{ESS}{TSS}=\frac{SSR}{SST}$

含对数形式的回归模型：

$y={\beta }_0+{\beta }_{1}x$：$\Delta x=1,\Delta y={\beta }_1$

$y={\beta }_0+{\beta }_1\log x$：$\Delta x=1\%,\Delta y=\frac{{\beta }_1}{100}$

$\log y={\beta }_0+{\beta }_{1}x$：$\Delta x=1,\Delta y=100{\beta }_1\%$

$\log y={\beta }_0+{\beta }_1\log x$：$\Delta x=1\%,\Delta y={\beta }_1\%$

交互项：

$C=\alpha +\beta Y+u$

$\beta ={\beta }_1+{\beta }_{2}Z$

$\Rightarrow C=\alpha +({\beta }_1+{\beta }_{2}Z)Y+u=\alpha +{\beta }_{1}Y+{\beta }_{2}YZ+u$

刻画交互作用的方法，在变量为定性变量时， 是以乘法方式引入虚拟变量的。

• 回归方程括号里的是回归系数的标准差$S_{{\hat{\beta }}_1}$，$t$统计量$t=\frac{{\hat{\beta }}_1}{\sqrt{\frac{{\hat{\sigma }}^2}{\sum x_i^2}}}=\frac{{\hat{\beta }}_1}{S_{{\hat{\beta }}_1}}\sim t(n-2)$

  临界$t$统计量是双侧检验，临界值为$t_{\alpha /2}(n)$：

  $\alpha =10\%$显著性水平，$n=\infty$，$t_{\alpha /2}(n)=t_{0.05}(n)=1.645$

  $\alpha =5\%$显著性水平，$n=\infty$，$t_{\alpha /2}(n)=t_{0.025}(n)=1.96$

  t统计量的绝对值大于临界值，拒绝原假设（$H_0:{\beta }_1=0$，解释变量的回归系数不显著），说明解释变量显著，通过显著性检验。

  t统计量大于3一般都可以通过显著性检验，小于1一般无法通过显著性检验。

• $F$统计量可以用拟合优度$R^2$以及样本数量$n$以及(显式)变量数$k$计算：
  $$F=\frac{(TSS-RSS)/k}{RSS/(n-k-1)}=\frac{R^2/k}{(1-R^2)/(n-k-1)}$$
  F统计量总是单变的，越大越显著。

古典线性回归模型的基本假定：

CLM1：参数线性关系

CLM2：随机样本，样本选择又变异性

CLM3：满秩（否则，存在多重共线性）

CLM4：误差项条件均值为零

​ （前提假设是误差项无条件均值为0且与解释变量无关，否则，存在内生性问题）

CLM5：误差项同方差和无自相关（否则，存在异方差和自相关）

CLM6：误差项正态分布

• 满足1-4，OLS估计无偏（异方差和自相关OLS仍然无偏）
• 满足1-5，OLS估计BLUS（最优线性无偏估计），估计量有效。（高斯马尔可夫定理）
• 满足1-6，古典线性回归模型的基本假定

1.1 一元线性回归计算

区分四个概念：

• 总体回归线：估计给定$X$时的条件期望。
  $$f(X)=E(Y|X)={\beta }_0+{\beta }_{1}X.$$

• 总体回归模型：用于描述每一个个体回归模型，加入了随机误差项。
  $$Y_i={\beta }_0+{\beta }_1{X}_i+{\mu }_i.$$

• 样本回归线：由样本计算出的用于估计总体回归线的函数。
  $$\hat{Y}={\hat{\beta }}_0+{\hat{\beta }}_{1}X.$$

• 样本回归模型：用于解释每一个样本的样本回归模型，加入了残差。
  $$Y_i={\hat{\beta }}_0+{\hat{\beta }}_{1}X+e_i.$$

模型估计

经典假设（前四条称高斯-马尔科夫假设）：

1. 回归模型是正确设定的。
2. 解释变量$X$在所抽取的样本中具有变异性，样本方差趋于非零常数。
3. 对给定$X$的任何值，随机干扰项零均值：$\mathrm{E}({\mu }_i|X)=0$。
4. 对给定$X$的任何值，随机干扰项同方差、序列不相关：$\mathrm{V}\mathrm{a}\mathrm{r}({\mu }_i|X)={\sigma }^2$，$\mathrm{C}\mathrm{o}\mathrm{v}({\mu }_i,{\mu }_j|X)=0$。
5. 随机干扰项服从零均值、同方差的正态分布：${\mu }_i|X\sim N(0,{\sigma }^2)$。

正规方程组：
Cannot read properties of undefined (reading 'type')
估计量的离差形式与样本回归函数的离差形式：
$${\hat{\beta }}_1=\frac{\sum x_i{y}_i}{\sum x_i^2}$$