Eviews数据统计与分析教程章基本回归模型的OLS估计普通最小二乘法

EViews统计分析基础教程
四、 线性回归模型的基本假定
线性回归模型必须满足以下几个基本假定：
假定1：随机误差项u具有0均值和同方差，即 E ( ui ) = 0 i=1，2，…，n Var ( ui ) = σ2 i=1，2，…，n
其中，E表示均值，也称为期望，在这里随机误差项u的 均值为0。Var表示随机误差项u的方差，对于每一个样 本点i，即在i=1，2，…，n的每一个数值上，解释变量y 对被解释变量x的条件分布具有相同的方差。当这一假定
五、 线性回归模型的检验
2.显著性检验
方程显著性检验（F 检验）
F 统计量为
该统计量服从自由度为（k，n－k－1）的F分布。 给定一个显著性水平α，当F统计量的数值大于该显 著性水平下的临界值Fα（k，n－k－1）时，则在 （1－α）的水平下拒绝原假设H0，即模型通过了
方程的显著性检验，模型的线性关系显著成立。
EViews统计分析基础教程
五、 线性回归模型的检验
2.显著性检验
变量显著性检验（t检验）
检验中的原假设为：
备择假设为：
H0：i= 0，
H1：i ≠ 0，
如果原假设成立，表明解释变量x对被解释变量y没
有显著的影响；当原假设不成立时，表明解释变量
x对被解释变量y有显著的影响，此时接受备择假设。
EViews统计分析基础教程
4.序列相关检验 方法：
（1）杜宾（D .W .—Durbin-Watson）检验法 （2）LM（拉格朗日乘数—Lagrange Multiplier）检验法
EViews统计分析基础教程
五、 线性回归模型的检验
4.序列相关检验
（1）杜宾（D .W .—Durbin-Watson）检验法
J. Durbin, G. S. Watson于1950年提出了D .W .检验法。 它是通过对残差构成的统计量来判断误差项ut 是否存在自 相关。D .W .检验法用来判定一阶序列相关性的存在。 D .W .的统计量为
条件不成立是，称该回归模型存在异方差问题。
EViews统计分析基础教程
四、 线性回归模型的基本假定
假定2：不同样本点下的随机误差项u之间是不相关的， 即
Cov（ui，uj）=0，i≠j，i，j=1，2，…，n 其中，cov表示协方差。当此假定条件不成立时，则 称该回归模型存在序列相关问题，也称为自相关问题。
总之，最小二乘原理就是选择样本回归函数使得y的估计值 与真实值之差的平方和最小。
EViews统计分析基础教程
一、普通最小二乘法（OLS）
2.方程对象
选择工作文件窗口工具栏中的“Object”| “New Object”| “Equation”选项，在下图所示的对话框中输入方程变量。
EViews统计分析基础教程
EViews统计分析基础教程
三、 多元线性回归模型
通常情况下，把多元线性回归方程中的常数项看作虚拟 变量的系数，在参数估计过程中该常数项始终取值为1。 因而模型的解释变量个数为k+1.多元回归模型的矩阵形 式为
Y = X + u 其中，Y是因变量观测值的T维列向量；X是所有自变量 （包括虚拟变量）的T个样本点观测值组成的T×（k+1） 的矩阵；是k+1维系数向量；u是T维扰动项向量。
量，则随着这些随机变量个数的增加，随机误差项u服
从正态分布。
EViews统计分析基础教程Baidu Nhomakorabea
四、 线性回归模型的基本假定
假定5：解释变量x1，x2，…，xi是非随机的确定性变量， 并且解释变量间互不相关。则这说明yi的概率分布具有
均值，即
E（yi|xi）= E（0 +1xi +ui）=0 +1xi
该式被称为总体回归函数。 如果两个或多个解释变量间出现了相关性，则说明该模 型存在多重共线性问题。
一、普通最小二乘法（OLS）
2.方程对象
EViews5.1提供了8种估计方法： “LS”为最小二乘法； “TSLS”为两阶段最小二乘法； “GMM”为广义矩法； “ARCH”为自回归条件异方差； “BINARY”为二元选择模型，其中包括Logit模型、 Probit模型和极端值模型； “ORDERED”为有序选择模型； “CENSORED”截取回归模型； “COUNT”为计数模型。
2.实际值、拟合值和残差
三条曲线分别是实际值（Actual），拟合值（Fitted） 和残差（Residual）。实际值和拟合值越接近，方程拟 合效果越好。
EViews统计分析基础教程
三、多元线性回归模型
通常情况下，将含有多个解释变量的线性回归模型（多 元线性回归模型）写成如下形式，
yi = 0 + 1 x1i +2 x2i+3 x3i+…k xki + ui （i=1， 2，…，n）
条直线能反映出该组数据的变化。
如果用不同精度多次观测一个或多个未知量，为了确定各未 知量的可靠值，各观测量必须加改正数，使其各改正数的平 方乘以观测值的权数的总和为最小。因而称最小二乘法。
EViews统计分析基础教程
一、普通最小二乘法（OLS）
1.最小二乘原理
设双变量的总体回归方程为
样本回归函数为
五、 线性回归模型的检验
3.异方差性检验
（1）图示检验法 检验步骤：
建立方程对象进行模型的OLS（最小二乘）估计， 此时产生的残差保存在主窗口界面的序列对象resid 中。 建立一个新的序列对象，并将残差序列中的数据 复制到新建立的对象中。 然后选择主窗口中的“Quick” | “Graph” | “Scatter”选项，生成散点图，进而可判断随机 项是否存在异方差性。
yt= B1 + B2xt +μt
yt= b1 + b2xt + et 其中，et为残差项，
5-3式为估计方程，b1 和b2分别为B1和B2的估计量， 因而
e = 实际的yt –估计的yt
EViews统计分析基础教程
一、普通最小二乘法（OLS）
1.最小二乘原理 估计总体回归函数的最优方法是选择B1和B2的估计量b1 ， b2，使得残差et尽可能达到最小。 用公式表达即为
EViews统计分析基础教程
五、 线性回归模型的检验
1.拟合优度检验
总体平方和（TSS）反映了样本观测值总体离差的 大小，也被称为离差平方和；残差平方（RSS）说
明的是样本观测值与估计值偏离的程度，反映了因 变量总的波动中未被回归模型所解释的部分；回归
平方和（ESS）反映了拟合值总体离差大小，这个
拟合值是根据模型解释变量算出来的。
EViews统计分析基础教程
五、 线性回归模型的检验
1.拟合优度检验 拟合优度R2的计算公式为
R2 = ESS / TSS = 1－RSS / TSS
当回归平方（ESS）和与总体平方和（TSS）较为
接近时，模型的拟合程度较好；反之，则模型的拟 合程度较差。因此，模型的拟合程度可通过这两个 指标来表示。
EViews统计分析基础教程
四、 线性回归模型的基本假定
假定3：同一个样本点下的随机误差项u与解释变量x之
间不相关，即
Cov（xi，ui）=0
i=1，2，…，n
EViews统计分析基础教程
四、 线性回归模型的基本假定
假定4：随机误差项u服从均值为0、同方差的正态分布， 即
u ～N（0，σ2）
如果回归模型中没有被列出的各因素是独立的随机变
EViews统计分析基础教程
五、 线性回归模型的检验
4.序列相关检验
（1）杜宾（D .W .—Durbin-Watson）检验法
如果，
0 < D .W . < dt ，存在一阶正自相关 dt < D .W . < du ，不能确定是否存在自相关 du < D .W . < 4－du ，不存在自相关 4－du < D .W . < 4－dt 不能确定是否存在自相关 4－dt < D .W . < 4 ，存在一阶负自相关
EViews统计分析基础教程
第5章 基本回归模型的OLS估计
重点内容： • 普通最小二乘法 • 线性回归模型的估计 • 线性回归模型的检验
EViews统计分析基础教程
一、普通最小二乘法（OLS）
1.最小二乘原理
设（x1，y1），（x2，y2），…，（xn，yn）是平面直角坐 标系下的一组数据，且x1< x2<…< xn，如果这组图像接近 于一条直线，我们可以确定一条直线y = a + bx ，使得这
其中，y为被解释变量，也被称为因变量；x为解释变量 或自变量；u是随机误差项（random error term）， 也被称为误差项或扰动项； n为样本个数。
EViews统计分析基础教程
三、 多元线性回归模型
在多元线性回归模型中，要求解释变量x1，x2，…，xk之
间互不相关，即该模型不存在多重共线性问题。如果有 两个变量完全相关，就出现了完全多重共线性，这时参 数是不可识别的，模型无法估计。
五、 线性回归模型的检验
2.显著性检验
方程显著性检验（F 检验）
原假设为：
H0：1= 0，2= 0，…，k= 0，
备择假设为：
H1：i 中至少有一个不为 0，
如果原假设成立，表明解释变量x对被解释变量y没
有显著的影响；当原假设不成立时，表明解释变量
x对被解释变量y有显著的影响，此时接受备择假设。
EViews统计分析基础教程
EViews统计分析基础教程
二、一元线性回归模型
1.模型设定
一元线性回归模型的形式为
yi = 0 + 1 xi + ui （i=1，2，…，n）
其中，y为被解释变量，也被称为因变量；x为解释变量或自 变量；u是随机误差项（random error term），也被称为 误差项或扰动项，它表示除了x之外影响y的因素，即y的变 化中未被x所解释的部分；n为样本个数。
EViews统计分析基础教程
五、 线性回归模型的检验
3.异方差性检验
（1）图示检验法
图示检验法通过散点图来判断用OLS方法估计的模 型异方差性，这种方法较为直观。通常是先将回归 模型的残差序列和因变量一起绘制一个散点图，进 而判断是否存在相关性，如果两个序列的相关性存 在，则该模型存在异方差性。
EViews统计分析基础教程
中解释变量的个数。如果χ2值大于给点显著性水平下对应 的临界值，则可以拒绝原假设，即存在异方差；反之，接 受原假设，即不存在异方差。
EViews统计分析基础教程
五、 线性回归模型的检验
3.异方差性检验
（2）怀特（White）检验法
White检验的统计量服从χ2分布，即
N· R 2 ～χ2 (k) 其中，N为样本容量，k为自由度，k等于辅助回归模型（）
EViews统计分析基础教程
五、 线性回归模型的检验
1.拟合优度检验
拟合优度检验用来验证回归模型对样本观测值（实
际值）的拟合程度，可通过R2统计量来检验。
EViews统计分析基础教程
五、 线性回归模型的检验
1.拟合优度检验
公式
三者的关系为 TSS = RSS +ESS
TSS为总体平方和， RSS为残差平方和， ESS为回归 平方和。
EViews统计分析基础教程
二、一元线性回归模型
2.实际值、拟合值和残差 估计方程为
表示的是yt的拟合值， 和 分别是 0 和1的估计量。实 际值指的是回归模型中被解释变量（因变量）y的原始观测 数据。拟合值就是通过回归模型计算出来的yt的预测值。
EViews统计分析基础教程
二、一元线性回归模型
中解释变量的个数。如果χ2值大于给点显著性水平下对应 的临界值，则可以拒绝原假设，即存在异方差；反之，接 受原假设，即不存在异方差。
EViews统计分析基础教程
五、 线性回归模型的检验
3.异方差性检验
（2）怀特（White）检验法
在EViews5.1软件中选择方程对象工具栏中的“View” | “Residual Tests” | “White Heteroskedasticity”选项 即可完成操作。
EViews统计分析基础教程
五、 线性回归模型的检验
3.异方差性检验
异方差性的后果 ：
当模型出现异方差性时，用OLS（最小二乘估计法）得到
的估计参数将不再有效；变量的显著性检验（t检验）失去
意义；模型不再具有良好的统计性质，并且模型失去了预 测功能。
EViews统计分析基础教程
五、 线性回归模型的检验
EViews统计分析基础教程
五、 线性回归模型的检验
3.异方差性检验
（2）怀特（White）检验法 检验步骤：
用OLS（最小二乘法）估计回归方程，得到残差e。
作辅助回归模型：
求辅助回归模型的拟合优度R2的值。
White检验的统计量服从χ2分布，即
N· R 2 ～χ2 (k) 其中，N为样本容量，k为自由度，k等于辅助回归模型（）