【计量经济学及Stata应用】第 5 章多元线性回归

最新推荐文章于 2024-07-28 13:33:18 发布

Vickie_wwq

最新推荐文章于 2024-07-28 13:33:18 发布

阅读量5.5k

点赞数 8

分类专栏：计量经济学及Stata应用自学笔记文章标签：线性回归回归笔记

本文链接：https://blog.csdn.net/weixin_46155316/article/details/130453864

版权

文章详细介绍了线性回归模型的原理，包括二元线性回归、多元线性回归模型以及OLS（普通最小二乘法）估计量的推导和几何解释。还讨论了拟合优度、古典线性回归模型的假定、OLS的性质，如无偏性、最小方差性，并介绍了对单个系数的t检验和对线性假设的F检验。此外，提到了Stata软件在多元回归分析中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

5.1 二元线性回归
5.2 多元线性回归模型
5.3 OLS估计量的推导
5.4 OLS的几何解释
5.5 拟合优度
5.6 古典线性回归模型的假定
5.7 OLS的小样本性质
5.8 对单个系数的t检验
5.9 对线性假设的F检验
5.10 F统计量的似然比原理表达式
5.11 预测
5.12 多元回归的Stata示例

5.1 二元线性回归

$y_i=\alpha+\beta x_{i1}+\gamma x_{i2}+\varepsilon_i$
OLS估计量的最优化问题仍为残差平方和最小化：
$\mathop{min}\limits_{\hat\alpha,\hat\beta,\hat\gamma}\sum\limits_{i=1}^ne_i^2=\sum\limits_{i=1}^n(y_i-\hat\alpha-\hat\beta x_{i1}-\hat\gamma x_{i2})^2$
从几何上，找到一个回归平面，使得所有样本点离此回归平面最近
在这里插入图片描述

cobb_douglas.dta

柯布-道格拉斯生产函数： $y_t=\alpha k_t^\beta l_t^\gamma e^{\varepsilon_t}$
两边同时取对数，转化为线性模型： $ln{y_t}=ln{\alpha}+\beta ln{k_t}+\gamma ln{l_t}+\varepsilon_t$

二元回归的命令：regress y x1 x2

use cobb_douglas.dta,xlear
list
reg lny lnk lnl
predict lny1 //将lny的拟合值记为“lny1”
predict e,residual //计算残差，记为e，选择项“residual”表示计算残差，如果省略此选择项，则默认计算拟合值
list lny lny1 e
line lny lny1 year,lpattern(solid dash)

在这里插入图片描述
根据回归结果，可得样本回归平面： $\widehat{ln{y_t}}=-0.177+0.233ln{k_t}+0.807ln{l_t}$

在这里插入图片描述
产出对数的预测值与实际值相当吻合

5.2 多元线性回归模型

$y_i=\beta_1x_{i1}+\beta_2x_{i2}+\ldots+\beta_Kx_{iK}+\varepsilon_i\quad(i=1,\ldots,n)$
绝大多数下，回归方程有常数项，故常令 $x_{i1}\equiv1$ ，方程简化为
$y_i=\beta_1+\beta_2x_{i2}+\ldots+\beta_Kx_{iK}+\varepsilon_i$
$y_i=(1\quad x_{i2}\quad\ldots\quad x_{iK}) \begin{pmatrix} \beta_1\\ \beta_2\\\vdots\\ \beta_K \end{pmatrix} +\varepsilon_i$
定义列向量： $\boldsymbol{x_i}=(1\quad x_{i2}\quad\ldots\quad x_{iK})^\top$
参数向量： $\boldsymbol{\beta}=(\beta_1 \quad\beta_2\quad \ldots\quad\beta_K)^\top$

$y_i= \boldsymbol{x_i^\top \beta}+\varepsilon_i$

向量 $\boldsymbol{y}\equiv \begin{pmatrix} y_1\\ y_2\\ \vdots\\ y_n \end{pmatrix} =\begin{pmatrix} \boldsymbol{x_1^\top}\\ \boldsymbol{x_2^\top}\\ \vdots\\ \boldsymbol{x_n^\top} \end{pmatrix}\boldsymbol{\beta}+ \begin{pmatrix} \varepsilon_1\\ \varepsilon_2\\ \vdots\\ \varepsilon_n \end{pmatrix}=\boldsymbol{X\beta+\varepsilon}$