经典单方程计量经济学模型：一元线性回归模型.ppt

《经典单方程计量经济学模型：一元线性回归模型.ppt》由会员分享，可在线阅读，更多相关《经典单方程计量经济学模型：一元线性回归模型.ppt（68页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、第二章第二章 经典单方程计量经济学模型：经典单方程计量经济学模型：一元线性回归模型一元线性回归模型 2.1 回归分析概述回归分析概述一、变量间的关系及回归分析的基本概念一、变量间的关系及回归分析的基本概念n1、变量间的关系、变量间的关系n（1）确定性关系确定性关系或或函数关系函数关系：研究的是确：研究的是确定现象非随机变量间的关系。定现象非随机变量间的关系。（2）统计依赖统计依赖或或相关关系相关关系：研究的是非确定现：研究的是非确定现象随机变量间的关系。象随机变量间的关系。n对变量间对变量间统计依赖关系统计依赖关系的考察主要是通过的考察主要是通过相关相关分析分析(correlation ana

2、lysis)或或回归分析回归分析(regression analysis)来完成的来完成的n注意注意不线性相关并不意味着不相关。不线性相关并不意味着不相关。有相关关系并不意味着一定有因果关系。有相关关系并不意味着一定有因果关系。回归分析回归分析/相关分析相关分析研究一个变量对另一个研究一个变量对另一个（些）变量的统计依赖关系，但它们并不意（些）变量的统计依赖关系，但它们并不意味着一定有因果关系。味着一定有因果关系。相关分析相关分析对称地对待任何（两个）变量，两对称地对待任何（两个）变量，两个变量都被看作是随机的。个变量都被看作是随机的。回归分析回归分析对变量对变量的处理方法存在不对称性，即区分

3、应变量的处理方法存在不对称性，即区分应变量（被解释变量）和自变量（解释变量）：前（被解释变量）和自变量（解释变量）：前者是随机变量，后者不是。者是随机变量，后者不是。2、回归分析的基本概念、回归分析的基本概念n回归分析回归分析(regression analysis)(regression analysis)是研究一是研究一个变量关于另一个（些）变量的具体依赖个变量关于另一个（些）变量的具体依赖关系的计算方法和理论。关系的计算方法和理论。n其目的其目的在于通过后者的已知或设定值，去在于通过后者的已知或设定值，去估计和（或）预测前者的（总体）均值。估计和（或）预测前者的（总体）均值。n被解释变量

4、被解释变量（Explained VariableExplained Variable）或）或应应变量变量（Dependent VariableDependent Variable）。）。n解释变量解释变量（Explanatory VariableExplanatory Variable）或）或自自变量变量（Independent VariableIndependent Variable）。）。回归分析构成计量经济学的方法论基础，其主要回归分析构成计量经济学的方法论基础，其主要内容包括：内容包括：（1）根据样本观察值对经济计量模型参数进行）根据样本观察值对经济计量模型参数进行估计，求得回归方程；

5、估计，求得回归方程；（2）对回归方程、参数估计值进行显著性检验；）对回归方程、参数估计值进行显著性检验；（3）利用回归方程进行分析、评价及预测。）利用回归方程进行分析、评价及预测。二、总体回归函数二、总体回归函数n回归分析回归分析关心的是根据解释变量的已知或给定关心的是根据解释变量的已知或给定值，考察被解释变量的总体均值值，考察被解释变量的总体均值，即当解释变量取某个确定值时，与之统计相关的被解释变量所有可能出现的对应值的平均值。n例例2.1：一个假想的社区有一个假想的社区有100户家庭组成，要户家庭组成，要研究该社区每月研究该社区每月家庭消费支出家庭消费支出Y与每月与每月家庭可支家庭可支配收

6、入配收入X的关系。的关系。即如果知道了家庭的月收入，即如果知道了家庭的月收入，能否预测该社区家庭的平均月消费支出水平。能否预测该社区家庭的平均月消费支出水平。n由于不确定因素的影响，对同一收入水平由于不确定因素的影响，对同一收入水平X，不，不同家庭的消费支出不完全相同；同家庭的消费支出不完全相同；n但由于调查的完备性，给定收入水平但由于调查的完备性，给定收入水平X的消费支的消费支出出Y的分布是确定的，即以的分布是确定的，即以X的给定值为条件的的给定值为条件的Y的的条件分布条件分布（Conditional distribution）是）是已知的，例如：已知的，例如：P(Y=561|X=800）=

7、1/4。因此，。因此，给定收入给定收入X的值的值Xi，可得消费支出，可得消费支出Y的的条件均值条件均值（conditional mean）或）或条件期望条件期望（conditional expectation）：）：E(Y|X=Xi)05001000150020002500300035005001000150020002500300035004000每月可支配收入X（元）每月消费支出Y（元）描出散点图发现：随着收入的增加，消费描出散点图发现：随着收入的增加，消费“平均平均地地说说”也在增加，且也在增加，且Y的条件均值均落在一根正斜的条件均值均落在一根正斜率的直线上。这条直线称为率的直线上。这条

8、直线称为总体回归线总体回归线。n在给定解释变量在给定解释变量Xi条件下被解释变量条件下被解释变量Yi的期望的期望轨迹称为轨迹称为总体回归线总体回归线（population regression line），或更一般地称为），或更一般地称为总体回总体回归曲线归曲线（population regression curve）。）。称为（双变量）称为（双变量）总体回归函数总体回归函数（population regression function,PRF）。）。相应的函数：相应的函数：n含义：含义：回归函数（回归函数（PRF）说明被解释变量）说明被解释变量Y的的平均状态（总体条件期望）随解释变量平均状态

9、（总体条件期望）随解释变量X变化变化的规律。的规律。函数形式：函数形式：可以是线性或非线性的。可以是线性或非线性的。例例2.1中，中，将居民消费支出看成是其可支配收入将居民消费支出看成是其可支配收入的线性函数时的线性函数时:为为一一线性函数。线性函数。其中，其中，0 0，1 1是未知参数，称为是未知参数，称为回归系数回归系数（regression coefficients）。）。三、随机扰动项三、随机扰动项n总体回归函数说明在给定的收入水平总体回归函数说明在给定的收入水平Xi下，该社区下，该社区家庭平均的消费支出水平。家庭平均的消费支出水平。n但对某一个别的家庭，其消费支出可能与该平均水但对某

10、一个别的家庭，其消费支出可能与该平均水平有偏差。平有偏差。n称为观察值围绕它的期望值的称为观察值围绕它的期望值的离差离差（deviation），），是一个不可观测的随机变量，又称为是一个不可观测的随机变量，又称为随机干扰项随机干扰项（stochastic disturbance）或）或随机误差项随机误差项（stochastic error）。）。n例例2.1中，给定收入水平中，给定收入水平Xi,个别家庭的支出可表示个别家庭的支出可表示为两部分之和：（为两部分之和：（1）该收入水平下所有家庭的平）该收入水平下所有家庭的平均消费支出均消费支出E(Y|Xi)，称为，称为系统性（系统性（systema

11、tic）或或确定性（确定性（deterministic)部分部分；（；（2）其他）其他随机随机或或非确定性（非确定性（nonsystematic)部分部分 i。n称为称为总体回归函数（总体回归函数（PRF）的随机设定形的随机设定形式。由于方程中引入了随机项，成为计量式。由于方程中引入了随机项，成为计量经济学模型，因此也称为经济学模型，因此也称为总体回归模型总体回归模型。n随机误差项主要包括下列因素：随机误差项主要包括下列因素：q在解释变量中被忽略的因素的影响；在解释变量中被忽略的因素的影响；q变量观测值的观测误差的影响；变量观测值的观测误差的影响；q模型关系的设定误差的影响；模型关系的设定误差

12、的影响；q其它随机因素的影响。其它随机因素的影响。n产生并设计随机误差项的主要原因：产生并设计随机误差项的主要原因：q理论的含糊性；理论的含糊性；q数据的欠缺；数据的欠缺；q节省原则。节省原则。四、样本回归函数（四、样本回归函数（SRFSRF）n问题：问题：能从一次抽样中获得总体的近似的信能从一次抽样中获得总体的近似的信息吗？如果可以，如何从抽样中获得总体的息吗？如果可以，如何从抽样中获得总体的近似信息？近似信息？n例例2.2：在在例例2.1的总体中有如下一个样本，能否的总体中有如下一个样本，能否从该样本估计总体回归函数从该样本估计总体回归函数PRF？回答：能回答：能表表 2.1.3 家庭消费

13、支出与可支配收入的一个随机样本家庭消费支出与可支配收入的一个随机样本 Y 800 1100 1400 1700 2000 2300 2600 2900 3200 3500 X 594 638 1122 1155 1408 1595 1969 2078 2585 2530 该样本的该样本的散点图散点图（scatter diagram)：n 画一条直线以尽好地拟合该散点图，由于样本画一条直线以尽好地拟合该散点图，由于样本取自总体，可以该直线近似地代表总体回归线。取自总体，可以该直线近似地代表总体回归线。该直线称为该直线称为样本回归线样本回归线（sample regression lines）。）。

14、记样本回归线的函数形式为：记样本回归线的函数形式为：称为称为样本回归函数样本回归函数（sample regression function，SRF）注意：这里将样本注意：这里将样本回归线看成总体回回归线看成总体回归线的近似替代归线的近似替代则则 回回归归分分析析的的主主要要目目的的：根根据据样样本本回回归归函函数数SRF，估计总体回归函数估计总体回归函数PRF。即，根据即，根据 估计估计2.2 2.2 一元线性回归模型的参数估计一元线性回归模型的参数估计 单方程计量经济学模型分为两大类：单方程计量经济学模型分为两大类：线性模型线性模型和和非线性非线性模型模型一元线性回归模型一元线性回归模型：只

15、有一个解释变量：只有一个解释变量i=1,2,nY为为被解释变量被解释变量，X为为解释变量解释变量，0与与 1为为待估待估参数参数，为为随机干扰项随机干扰项单方程单方程多元线性回归模型多元线性回归模型的一般形式：的一般形式：n回归分析的主要目的回归分析的主要目的是要通过样本回归函数是要通过样本回归函数（模型）（模型）SRF尽可能准确地估计总体回归函数尽可能准确地估计总体回归函数（模型）（模型）PRF。n估计方法估计方法有多种，其中最广泛使用的是有多种，其中最广泛使用的是普通最普通最小二乘法小二乘法（ordinary least squares,OLS）。）。n为保证参数估计量具有良好的性质，通常

16、对模为保证参数估计量具有良好的性质，通常对模型提出若干基本假设型提出若干基本假设。n实际这些假设与所采用的估计方法紧密相关。实际这些假设与所采用的估计方法紧密相关。一、线性回归模型的基本假设一、线性回归模型的基本假设 假假设设1、解解释释变变量量X是是确确定定性性变变量量，不不是是随随机机变变量；量；假假设设2、随随机机误误差差项项 具具有有零零均均值值、同同方方差差和和不不序列相关性：序列相关性：E(i)=0 i=1,2,n Var(i)=2 i=1,2,n Cov(i,j)=0 ij i,j=1,2,n 假设假设3、随机误差项、随机误差项 与解释变量与解释变量X之间不相关：之间不相关：Co

17、v(Xi,i)=0 i=1,2,n 假设假设4、服从零均值、同方差、零协方差的正态分布服从零均值、同方差、零协方差的正态分布 iN(0,2)i=1,2,n注意：注意：1.如果假设如果假设1、2满足，则假设满足，则假设3也满足也满足;2.如果假设如果假设4满足，则假设满足，则假设2也满足。也满足。以上假设也称为线性回归模型的以上假设也称为线性回归模型的经典假设经典假设或或高斯高斯（Gauss）假设假设，满足该假设的线性回归模型，也称为，满足该假设的线性回归模型，也称为经典线性回归模型经典线性回归模型（Classical Linear Regression Model,CLRM）。）。二、参数的普

18、通最小二乘估计（二、参数的普通最小二乘估计（OLSOLS）Yi=0+1 XiYiYiXiYXoYi -Yi最小二乘原理（最小二乘原理（least squares principle）选择回归模型中参数的估计量，使得所选择回归模型中参数的估计量，使得所有有Y Y的估计值与真实值差的平方和最小的估计值与真实值差的平方和最小 即：即：记记 称为称为残差残差 即选择参数即选择参数 ，使得全部观察值，使得全部观察值的的残差平方和残差平方和（RSS，residual sum of squares）最小最小 方程组（方程组（*）称为）称为正规方程组正规方程组（normal equations）。记记上述参数

19、估计量可以写成：上述参数估计量可以写成：称为称为OLSOLS估计量的估计量的离差形式离差形式（deviation form）。）。由于参数的估计结果是通过最小二乘法得到由于参数的估计结果是通过最小二乘法得到 的，故称为的，故称为普通普通最小二乘估计量最小二乘估计量（ordinary least squares estimators）。注意：注意：在计量经济学中，往往以小写字母表示对均在计量经济学中，往往以小写字母表示对均值的离差。值的离差。三、参数估计的最大或然法三、参数估计的最大或然法(ML)最大或然法最大或然法(Maximum Likelihood,简称简称ML)，也也称称最大似然法最大似

20、然法，是不同于最小二乘法的另一种参数，是不同于最小二乘法的另一种参数估计方法，是从最大或然原理出发发展起来的其它估计方法，是从最大或然原理出发发展起来的其它估计方法的基础。估计方法的基础。基本原理基本原理：对于对于最大或然法最大或然法，当从模型总体随机抽取，当从模型总体随机抽取n组样组样本观测值后，最合理的参数估计量应该使得从模型本观测值后，最合理的参数估计量应该使得从模型中抽取该中抽取该n组样本观测值的概率最大。组样本观测值的概率最大。例例2.2.1：在上述家庭可支配收入：在上述家庭可支配收入-消费支出例中，消费支出例中，对于所抽出的一组样本数，参数估计的计算可通过对于所抽出的一组样本数，参

21、数估计的计算可通过下面的表下面的表2.2.1进行。进行。因此，由该样本估计的回归方程为：因此，由该样本估计的回归方程为：四、最小二乘估计量的性质四、最小二乘估计量的性质 一个用于考察总体的估计量，可从如下几个一个用于考察总体的估计量，可从如下几个方面考察其优劣性：方面考察其优劣性：（1）线性性）线性性，即它是否是另一随机变量的线性，即它是否是另一随机变量的线性函数；函数；（2）无偏性）无偏性，即它的均值或期望值是否等于总，即它的均值或期望值是否等于总体的真实值；体的真实值；（3）有效性）有效性，即它是否在所有线性无偏估计量，即它是否在所有线性无偏估计量中具有最小方差。中具有最小方差。这三个准则

22、也称作估计量的这三个准则也称作估计量的小样本性质。小样本性质。拥有这类性质的估计量称为拥有这类性质的估计量称为最佳线性无偏估最佳线性无偏估计量计量（best liner unbiased estimator,BLUE）（4）渐渐近近无无偏偏性性，即即样样本本容容量量趋趋于于无无穷穷大大时时，是否它的均值序列趋于总体真值；是否它的均值序列趋于总体真值；（5）一一致致性性，即即样样本本容容量量趋趋于于无无穷穷大大时时，它它是是否依概率收敛于总体的真值；否依概率收敛于总体的真值；（6）渐渐近近有有效效性性，即即样样本本容容量量趋趋于于无无穷穷大大时时，是是否否它它在在所所有有的的一一致致估估计计量量

23、中中具具有有最最小小的的渐渐近近方方差。差。当不满足小样本性质时，需进一步考察估计当不满足小样本性质时，需进一步考察估计量的量的大样本大样本或或渐近性质渐近性质：普通最小二乘估计量普通最小二乘估计量（ordinary least Squares Estimators）称为称为最佳线性无偏估计量最佳线性无偏估计量（best linear unbiased estimator,BLUE）由于最小二乘估计量拥有一个由于最小二乘估计量拥有一个“好好”的估计量的估计量所应具备的小样本特性，它自然也拥有大样本特性所应具备的小样本特性，它自然也拥有大样本特性。2.3 2.3 一元线性回归模型的统计检验一元线

24、性回归模型的统计检验 回归分析回归分析是要通过样本所估计的参数来代替总体的真实参数，是要通过样本所估计的参数来代替总体的真实参数，或者说是用样本回归线代替总体回归线。或者说是用样本回归线代替总体回归线。尽管从尽管从统计性质统计性质上已知，如果有足够多的重复上已知，如果有足够多的重复 抽样，参抽样，参数的估计值的期望（均值）就等于其总体的参数真值，但在一数的估计值的期望（均值）就等于其总体的参数真值，但在一次抽样中，估计值不一定就等于该真值。那么，在一次抽样中，次抽样中，估计值不一定就等于该真值。那么，在一次抽样中，参数的估计值与真值的差异有多大，是否显著，这就需要进一参数的估计值与真值的差异有

25、多大，是否显著，这就需要进一步进行步进行统计检验统计检验。主要包括主要包括拟合优度检验拟合优度检验、变量的、变量的显著性检验显著性检验及参数的及参数的区间估计区间估计。一、拟合优度检验一、拟合优度检验 拟合优度检验拟合优度检验：对样本回归直线与样本观测值之对样本回归直线与样本观测值之间拟合程度的检验。间拟合程度的检验。度量拟合优度的指标：度量拟合优度的指标：判定系数判定系数（可决系数可决系数）R2 2 问题：问题：采用普通最小二乘估计方法，已经保采用普通最小二乘估计方法，已经保证了模型最好地拟合了样本观测值，为什么还要证了模型最好地拟合了样本观测值，为什么还要检验拟合程度？检验拟合程度？1 1

26、、总离差平方和的分解、总离差平方和的分解 已知由一组样本观测值（已知由一组样本观测值（Xi,Yi），），i i=1,2,n得到如下样本回归直线得到如下样本回归直线 如果如果Yi=i 即实际观测值落在样本回归即实际观测值落在样本回归“线线”上，则上，则拟合最好拟合最好。可认为，可认为，“离差离差”全部来自回归线，而与全部来自回归线，而与“残残差差”无关。无关。对于所有样本点，对于所有样本点，则需考虑这些点与样则需考虑这些点与样本均值离差的平方和本均值离差的平方和,可以证明可以证明：记记总体平方和总体平方和（Total Sum of Squares）回归平方和回归平方和（Explained Sum

27、 of Squares）残差平方和残差平方和（Residual Sum of Squares）TSS=ESS+RSSTSS=ESS+RSS Y的观测值围绕其均值的的观测值围绕其均值的总离差总离差(total variation)可分解为两部分：一部分来自可分解为两部分：一部分来自回归回归线线(ESS)，另一部分则来自另一部分则来自随机随机势力势力(RSS)。n在给定样本中，在给定样本中，TSS不变，不变，n如果实际观测点离样本回归线越近，则如果实际观测点离样本回归线越近，则ESS在在TSS中占的比重越大，因此中占的比重越大，因此n拟合优度拟合优度：回归平方和：回归平方和ESS/Y的总离差的总离

28、差TSS2、可决系数、可决系数R2 2统计量统计量 称称 R2 为为（样本）（样本）可决系数可决系数/判定系数判定系数（coefficient of determination)。可决系数可决系数的的取值范围：取值范围：0，1 R2 2越接近越接近1 1，说明实际观测点离样本线越近，说明实际观测点离样本线越近，拟合优度越高拟合优度越高。二、变量的显著性检验二、变量的显著性检验 回归分析回归分析是要判断是要判断解释变量解释变量X是否是是否是被解释变被解释变量量Y的一个的一个显著性显著性的影响因素。的影响因素。在在一元线性模型一元线性模型中，就是要判断中，就是要判断X是否对是否对Y具具有显著的线性

29、性影响。这就需要进行有显著的线性性影响。这就需要进行变量的显著变量的显著性检验性检验。变量的显著性检验所应用的方法是数理统计学变量的显著性检验所应用的方法是数理统计学中的中的假设检验假设检验。计量经计学中，主要是针对变量的参数真值是计量经计学中，主要是针对变量的参数真值是否为零来进行显著性检验的。否为零来进行显著性检验的。1、假设检验、假设检验 n 所谓所谓假设检验假设检验，就是事先对总体参数或总体分布，就是事先对总体参数或总体分布形式作出一个假设，然后利用样本信息来判断原假设是形式作出一个假设，然后利用样本信息来判断原假设是否合理，即判断样本信息与原假设是否有显著差异，从否合理，即判断样本信

30、息与原假设是否有显著差异，从而决定是否接受或否定原假设。而决定是否接受或否定原假设。n假设检验采用的逻辑推理方法是假设检验采用的逻辑推理方法是反证法反证法 先假定原假设正确，然后根据样本信息，观察由此假先假定原假设正确，然后根据样本信息，观察由此假设而导致的结果是否合理，从而判断是否接受原假设。设而导致的结果是否合理，从而判断是否接受原假设。n判断结果合理与否，是基于判断结果合理与否，是基于“小概率事件不易发生小概率事件不易发生”这一这一原理的原理的 检验步骤：检验步骤：（1）对总体参数提出假设）对总体参数提出假设 H0：1=0，H1：1 0（2）以原假设）以原假设H0构造构造t统计量，统计量

31、，并由样本计算其值并由样本计算其值（3）给定显著性水平）给定显著性水平，查，查t分布表得临界值分布表得临界值t /2(n-2)2、变量的显著性检验、变量的显著性检验 (4)比较，判断比较，判断 若若|t|t /2(n-2)，则拒绝，则拒绝H0，接受，接受H1；若若|t|t /2(n-2)，则拒绝，则拒绝H1，接受，接受H0；假设检验假设检验可以通过一次抽样的结果检验总体参可以通过一次抽样的结果检验总体参数可能的假设值的范围（如是否为零），但它并没数可能的假设值的范围（如是否为零），但它并没有指出在一次抽样中样本参数值到底离总体参数的有指出在一次抽样中样本参数值到底离总体参数的真值有多真值有多“

32、近近”。三、参数的置信区间三、参数的置信区间 要判断样本参数的估计值在多大程度上可以要判断样本参数的估计值在多大程度上可以“近似近似”地替代总体参数的真值，往往需要通过构造一个以样地替代总体参数的真值，往往需要通过构造一个以样本参数的估计值为中心的本参数的估计值为中心的“区间区间”，来考察它以多大的，来考察它以多大的可能性（概率）包含着真实的参数值。这种方法就是参可能性（概率）包含着真实的参数值。这种方法就是参数检验的数检验的置信区间估计置信区间估计。如如果果存存在在这这样样一一个个区区间间，称称之之为为置置信信区区间间（confidence interval）；1-称称为为置置信信系系数数（

33、置置信信度度）（confidence coefficient），称称为为显显著著性性水水平平（level of significance）；置置 信信 区区 间间 的的 端端 点点 称称 为为 置置 信信 限限（confidence limit）或或临界值临界值（critical values）。）。一元线性模型中一元线性模型中，i(i=1，2）的置信区间的置信区间:在变量的显著性检验中已经知道：在变量的显著性检验中已经知道：意味着，如果给定置信度（意味着，如果给定置信度（1-1-），从分布表中，从分布表中查得自由度为查得自由度为(n-2)(n-2)的临界值，那么的临界值，那么t t值处在值处

34、在(-t(-t/2/2,t t/2/2)的概率是的概率是(1-(1-)。表示为：。表示为：即即于是得到于是得到:(1-:(1-)的置信度下的置信度下,i的置信区间是的置信区间是 在上述在上述收入收入-消费支出消费支出例中，如果给定例中，如果给定 =0.01=0.01，查表得：查表得：由于由于于是，于是，1 1、0 0的置信区间分别为：的置信区间分别为：（0.6345,0.9195)0.6345,0.9195)（-433.32,226.98-433.32,226.98）缩小置信区间缩小置信区间，需要，需要（1 1）增大样本容量）增大样本容量n n。因为在同样的置信水平下，因为在同样的置信水平下，

35、n n越大，越大，t t分布表中的临界值越小；同时，增大样本分布表中的临界值越小；同时，增大样本容量，还可使样本参数估计量的标准差减小；容量，还可使样本参数估计量的标准差减小；（2）提高模型的拟合优度。）提高模型的拟合优度。因为样本参数估计因为样本参数估计量的标准差与残差平方和呈正比，模型拟合优度越量的标准差与残差平方和呈正比，模型拟合优度越高，残差平方和应越小。高，残差平方和应越小。由于置信区间一定程度地给出了样本参数估计由于置信区间一定程度地给出了样本参数估计值与总体参数真值的值与总体参数真值的“接近接近”程度，因此置信区间程度，因此置信区间越小越好。越小越好。思考：思考：置信区间与置信度

36、之间的关系？置信区间与置信度之间的关系？2.4 2.4 一元线性回归分析的应用：预测问题一元线性回归分析的应用：预测问题 对于一元线性回归模型对于一元线性回归模型 给定样本以外的解释变量的观测值给定样本以外的解释变量的观测值X0，可以得到可以得到被解释变量的预测值被解释变量的预测值 0 0 ，可以此作为其可以此作为其条件均条件均值值E(Y|X=X0)或或个别值个别值Y0的一个近似估计。的一个近似估计。严格地说，这只是被解释变量的预测值的估严格地说，这只是被解释变量的预测值的估计值，而不是预测值。原因计值，而不是预测值。原因:（1 1）参数估计量不确定；）参数估计量不确定；（2 2）随机项的影响

37、随机项的影响总体均值预测值的置信区间总体均值预测值的置信区间于是，在于是，在1-的置信度下，的置信度下，总体均值总体均值E(Y|X0)的置的置信区间为信区间为 总体个值预测值的预测区间总体个值预测值的预测区间 从而在从而在1-的置信度下，的置信度下，Y0的置信区间的置信区间为为 总体回归函数的置信带（域）置信带（域）（confidence band）个体的置信带（域）置信带（域）如何进入如何进入EViewsn1、开始、开始n2、程序、程序n3、Econometrics Viewsn4、EViewsEViews常用命令简介常用命令简介如何建立工作文件如何建立工作文件n命令格式：命令格式：nCRE

38、ATE 工作文件名工作文件名n1、在打开对话框中选择数据类型、在打开对话框中选择数据类型n2、在打开对话框中确定开始日期和结、在打开对话框中确定开始日期和结束日期；非时间序列则是确定序列的束日期；非时间序列则是确定序列的最大长度（个数）最大长度（个数）n3、OKn这是进入这是进入EViews后第一件必须做的事后第一件必须做的事n命令功能：建立新的工作文件命令功能：建立新的工作文件在打开对话框中选择数据类型在打开对话框中选择数据类型nA-年度年度nQ-季度季度nM-月度月度nW-周周nD-每周每周5天的第一天天的第一天n7-每周每周7天的第一天天的第一天nUndate-非时间序列非时间序列如何从

39、键盘输入数据如何从键盘输入数据n命令格式：命令格式：nDATA 序列名序列名1 序列名序列名nn命令功能：命令功能：n打开电子数据表等待输入或编辑序列打开电子数据表等待输入或编辑序列n序列是序列是EViews的基本操作对象的基本操作对象如何从磁盘输入工作文件如何从磁盘输入工作文件n命令格式：命令格式：nLAOD 路径路径 n功能：功能：n将磁盘上保存的工作文件读入内存将磁盘上保存的工作文件读入内存n注意：注意：n进入后不使用进入后不使用CREATE就必须使用就必须使用LOAD方能开始工作方能开始工作如何将数据以图形方式显示如何将数据以图形方式显示n命令格式：命令格式：nPLOT n功能：功能：

40、n将工作文件中的序列表现为图形观察将工作文件中的序列表现为图形观察n条件：条件：n工作文件中已经存在这些序列工作文件中已经存在这些序列如何向磁盘输出数据如何向磁盘输出数据n命令格式：命令格式：nSTORE n功能：功能：n将工作文件中的序列保存到磁盘将工作文件中的序列保存到磁盘n数据文件的扩展名为数据文件的扩展名为*.DBn条件：条件：n工作文件中已经存在这些序列工作文件中已经存在这些序列如何进行回归分析如何进行回归分析n命令格式：命令格式：nLS n功能：功能：n进行线性回归分析进行线性回归分析n条件：条件：n工作文件中已经存在这些序列工作文件中已经存在这些序列如何依据已有序列生成新的序列如

41、何依据已有序列生成新的序列n命令格式：命令格式：nGENR =公式表达式公式表达式n功能：功能：n依据已有序列生成新的序列依据已有序列生成新的序列n条件：条件：n工作文件中已经存在这些序列工作文件中已经存在这些序列2.5 2.5 实例：时间序列问题实例：时间序列问题 一、中国居民人均消费模型一、中国居民人均消费模型 例例2.5.1 考察中国居民收入与消费支出的关系考察中国居民收入与消费支出的关系。GDPP：人均国内生产总值人均国内生产总值（1990年不变价年不变价）CONSP：人人均均居居民民消消费费（以以居居民民消消费费价价格格指指数（数（1990=100）缩减）。）缩减）。1、建立模型、建

42、立模型 拟建立如下一元回归模型拟建立如下一元回归模型 采用采用Eviews软件软件进行回归分析的结果见下表进行回归分析的结果见下表 该两组数据是该两组数据是19782000年的年的时间序列数据时间序列数据（time series data）；）；前前述述收收入入-消消费费支支出出例例中中的的数数据据是是截截面面数数据据（cross-sectional data）。）。一般可写出如下回归分析结果一般可写出如下回归分析结果：(13.51)(53.47)R2=0.9927 F=2859.23 DW=0.5503 R2=0.9927T值值：C：13.51，GDPP：53.47 临界值临界值:t0.05

43、/2(21)=2.08斜率项：斜率项：00.38621，符合，符合绝对收入假说绝对收入假说 2、模型检验、模型检验 3、预测、预测 2001年：年：GDPP=4033.1（元）（元）（90年不变价）年不变价）点估计：点估计：CONSP2001=201.107+0.3862 4033.1 =1758.7（元）元）2001年年实测实测的的CONSP（1990年价）年价）:1782.2元，元，相对误差相对误差:-1.32%。二、时间序列问题二、时间序列问题 上述实例表明，时间序列完全可以进行类似于上述实例表明，时间序列完全可以进行类似于截面数据的回归分析。截面数据的回归分析。然而，在时间序列回归分析

44、中，有两个需注意然而，在时间序列回归分析中，有两个需注意的问题：的问题：第一，关于抽样分布的理解问题。第一，关于抽样分布的理解问题。能把表能把表2.5.1中的数据理解为是从某个总体中抽中的数据理解为是从某个总体中抽出的一个样本吗？出的一个样本吗？可决系数可决系数R2，考察被解释变量考察被解释变量Y的变化中的变化中可由解释变量可由解释变量X的变化的变化“解释解释”的部分。的部分。这里这里“解释解释”能否换为能否换为“引起引起”?第二，关于第二，关于“伪回归问题伪回归问题”（spurious spurious regression problemregression problem）。）。在现实经济问题中，对时间序列数据作回归，即在现实经济问题中，对时间序列数据作回归，即使两个变量间没有任何的实际联系，也往往会得到较使两个变量间没有任何的实际联系，也往往会得到较高的可决系数，尤其对于具有相同变化趋势（同时上高的可决系数，尤其对于具有相同变化趋势（同时上升或下降）的变量，更是如此。这种现象被称为升或下降）的变量，更是如此。这种现象被称为“伪伪回归回归”或或“虚假回归虚假回归”。