5第五章 一元线性回归的假设检验

1、稻草人假设
回归分析是要判断解释变量X是否是被解释变量Y 的一个显著性的影响因素。 在一元线性模型中，就是要判断X是否对Y具有显 著的线性性影响。这就需要进行变量的显著性检验。
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。即
H 0 : bi 0 H1 : bi 0
2 xi2 nX 2 （X i X） nX 2 2 2 （ ） 2 2 nxi nxi
X i2 nX 2 nX 2 2 X i2 2 2 2 nxi nxi
** 再证明最小方差性：在所有线性无偏估计量中， ols估计量方差最小：
ˆ ˆ 设b1* ciYi为b1的任一线性无偏估计。则E (b1* ) b1 ˆ* ) 2 (c xi ) 2 Var (b ) Var (b ) ˆ ˆ Var (b1 i 1 1 xi2
b
i
(n 2) Sb2i
b2
i
~ 2 (n 2)
ˆ bi bi 则t ~ t (n 2), 可以利用该信息进行统计检验 Sbi
返回
第三节 一元线性回归模型的假设检验 p130
一、检验 二、参数的显著性检验 三、回归的拟合优度检验 四、回归分析结果的报告 五、综合实例：美国商业部门工资和生产 率的关系 返回
返回
4、小结：估计量的统计性质
ˆ 1 ）线性性：参数的估计量b j ( j 1, 2,, k )是Yi的线性组合
ˆ 2）无偏性：E (b j ) b j ( j 1, 2,, n)
3）最小方差性：
b0、b1的方差分别为：
ˆ Var (b1 )
2
x
2 i
X i2 2 ˆ Var (b0 ) 2 nxi
如同需要指明样本均值服从何种分布，才可对
总体均值进行统计推断一样。
样本回归系数是Y的线性函数，因此其概率 分布取决于Y，而Y的概率分布取决于随机 误差项 返回
有了样本回归系数的OLS估计量的分布信息， 就可以利用它进行总体回归系数的统计推断
1、正态性假定：随机误差项服从正态分布，
i ~ N (0, 2 )
第五章：一元线性回归模型的假 设检验
目录
第一节 经典线性回归模型的基本假定 第二节 OLS估计量的性质：高斯-马尔可夫 定理 第三节 一元线性回归模型的假设检验 第四节 预测 考核要求和作业
第一节 经典线性回归模型的基本假定
经典线性回归模型：classical liner regression model ,CLRM 一、9个假定 二、假定的意义 返回
这样的零假设也称为“稻草人假设”，如果稻草人假设 成立，说明解释变量X不是被解释变量Y的一个显著性的 影响因素 返回
2、ols估计量服从t分布
ˆ bi bi 由于t ~ t (n 2), 稻草人假设为 i 0 b Sbi ˆ bi 则t ~ t (n 2) Sbi ˆ bi、Sbi 都由OLS法估计得来
一、9个假定
1、零均值假定 2、同方差假定 3、无自相关假定 4、随机误差项和解释变量不相关假定 5、正态性假定 6、样本容量N>待估参数个数 7、解释变量 X值有变异性 8、无多重共线性假定 9、参数线性假定
零均值假定
假定1：随机误差项均值为零 随机误差项囊括了大量未包括进模型的各 种变量影响之和，他们相互抵消，对被解 释变量没有系统性影响 E(µ|Xi)=0,简写为E(µi)=0
x i 2 E (b0 b1 X i ui ) xi
ˆ E (Y ) XE (b1 )
b0 b1 X ) Xb1 （ b0
返回
注：令
xi K i ， K i 是常数），且K i 0； K i X i 1 （ 2 xi
3、最小方差性
ˆ ˆ 先求b0、b1的方差：
返回
3、检验步骤：
（1）对总体参数提出假设 H0： b1=0，
ˆ b1 t S bˆ
H1：b10
（2）以原假设H0构造t统计量，并由样本计算其值
1
（3）给定显著性水平，查t分布表，得临界值t /2，df=(n2)
(4) 比较，判断 若 |t|> t /2(n-2)，则拒绝H0 ，接受H1 ；
一、检验
对模型和所估计的参数加以评定，判断在 经济理论上是否有意义，在统计上是否显 著等。 检验包括：
1）经济意义的检验 2）统计推断检验* 3）计量经济学检验* 4）预测检验* 返回
二、参数的显著性检验 p132
1、“稻草人假设” 2、ols估计量服从t分布 3、检验步骤 4、例题 返回
对被解释变量Y的系统影响。 例：如果收入差异不大，我们无法观察支出Y的变动
假定8 ：如果有多个解释变量，要求解释变量间 没有很强的线性关系
无多重共线性
假定9：线性：回归模型对参数而言是线性的
二、假定的意义
如果满足这些假定，则高斯-马尔可夫定理 成立：
在所有线性无偏估计量中，普通最小二乘
返回
三、拟合优度检验P134
对样本回归直线与样本观测值之间拟合程 度的检验。度量拟合优度的指标：判定系 数（可决系数）R2 1、 总离差平方和的分解 2、几个概念 3、判定系数R2统计量 4、例题 返回
随机扰动项代表了未引入模型的随机影响之和，依据中
心极限定理，大量独立同分布的随机变量之和趋向于正 态分布
2、服从正态分布的变量的线性组合依然服从正态 分布，则
X i2 2 ˆ b0 ~ N (b0 , ) 2 nxi
ˆ b1 ~ N (b1 ,
2
x
2 i
)
3、由于随机误差项的方差 2未知，则OLS 估计量的 ˆ bi bi 2 的总体方差 bi 也未知。但 ~ N (0,1);
且在所有线性无偏估计量中方差最小
4）前面的等式中包含了随机误差项的方差 2，多数时候 2是未知的， ˆ (Yi Yi ) 2 ei2 2 2 ˆ 需要做出估计，随机误差项的方差 的估计量为： (n 2) （n 2） ˆ ˆ 则OLS 估计量b 、b 的方差和标准差的估计量为：
2 ˆ Var (b1 )
xi2
,
1
ˆ Var (b1 )也记为 b2 ，其余类推。 ˆ
注 : Var (Yi ) Var (b0 b1 X i i ) Var ( i ) 2
ˆ 证：Var (b1 ) Var (K i Y） i K i2Var Yi） 2K i2 （ xi xi （ 2 ）（ 2 ） xi xi
随机误差项均值为零 p123 图7-1
Y X=1000
X=1100
X=900
具体的 支出水 平是围 绕其条 件均值 波动的, 这种波 动的 “均值 为0”
X
散点图
同方差假定
假定2：随机误差项方差相同
VAR(i ) ,随机误差项的方差俱为
2
2
即与给定X相对应的Y值以相同方差分布在其条件 均值周围。 如果不满足这个假定，即为“异方差” 异方差的图示
异方差的图示
X=1000时，Y的 分布更靠拢均值。 即方差相对较小。
X=1000 X=900
无自相关假定
假定3：无自相关，即两个随机误差项之间不相关
cov(i , j ) 0, i j
也称无序列自相关，两个随机误差项之间不相关，即两
个Y之间也不相关。
假定4：随机误差项和解释变量不相关
ˆ E (b1 ) b1
ˆ 证：E（b1）
ˆ E (b0 ) b0
ˆ 证：E（b0） ˆ E (Y b X )
1
xi E (Yi ) 2 xi
xi b1 2 E (ui ) xi b1 K i E (ui ) b1
xi E（ Yi） 2 xi
xi ˆ 令 2 K i ， K i 是常数），则b1 K iYi （ xi 且K i 0； K i X i 1
ˆ ˆ b0 Y b1 X
xi xi 1 Y X Yi ( X )Yi 2 2 xi n xi
源自文库
返回
2、无偏性，估计量的均值=其对应参数的真值
回归结果（括号里数据为标准误差）
Ln(price) 0.240age 0.608temp (0.0075) (0.116)
0.0038rain 0.00115wrain (0.00095) (0.00051) R 2 0.828, S 0.287 以5%的显著性水平对回归参 数进行T检验，每一个参数都是 显著的。
二、ols估计量的概率分布 返回
一、高斯-马尔可夫定理
在所有线性无偏估计量中，普通最小二乘 （OLS)估计量有最小方差。
即OLS估计量是最佳线性无偏估计量
1、线性
2、无偏性 3、最小方差性 4、小结 返回
高斯-马尔科夫理论所考虑的 各种估计值分类图
最 小 二 乘 估 计 值 | 方 差 最 小
线性无 偏估计 值
线 性 估 计 值
所 有 的 估 计 值
返回
1、线性性：参数估计量是被解释变量Yi的线性组合：
ˆ ˆ b1、b0都是Yi的线性函数
ˆ xi yi xi (Yi Y ) xiYi (xi ) Y xi Y b1 i 2 2 xi2 xi2 xi2 xi xi
当X是非随机的时，该假定自动满足 X是抽样时候人为设定的：比如前例中把家庭收入分
组
假定5：正态性假定：随机误差项服从正态分布
i ~ N (0, )
2
假定6：样本容量N>待估参数个数 假定7：解释变量 X值有变异性
即X有一个相对较大的取值范围 如果X只在一个狭窄的范围内变动，则无法充分估计X
若
|t| t /2(n-2)，则拒绝H1 ，接受H0 ；返回
4、例题：葡萄酒拍卖价格的回归分 析
数据 应变量： ln(price)： 1952~1980年间共10批， 用来自六个葡萄种植场的的葡萄酿造的60种不同 葡萄酒的价格，取其对数形式 自变量：
Age: 葡萄酒存放年数 Temp:葡萄生长期平均气温 Rain:8/9月份降雨量 Wrain:葡萄生长期前一年10月到次年3月降雨量
（OLS)估计量有最小方差。这使得OLS估计 量有着优良的性质可以进行统计推断
完全满足这些假定的方程在现实中是不存 在的，但这些假定为我们提供了一个比较 的基准，本课其他部分主要是围绕假定不 被满足时，分析后果，提出解决办法。返 回
第二节 OLS估计量的性质：高斯-马 尔可夫定理 p127
一、高斯-马尔可夫定理
2
xi2 xi2 2 2 2 2 2 2 2 2 （xi ） （xi ） xi
X i2 ˆ Var (b0 ) 2 nxi2
附：证明
ˆ ） Var[( 1 X xi )Y ] Var（b0 i n xi2 xi 2 1 1 2 （ X 2 ） （Yi） （ XK i） 2 Var n xi n 1 2 XK i 1 X 2 K i2） 2 （ X 2 K i2） 2 n2 n n xi xi 1 1 X2 （ X 2 2 2 ） 2 （ 2 ） 2 n xi xi n xi （
0 1
S
2 ˆ b1
ˆ
2 2 i
x

(n 2)x
e
2 i 2 i
, Sbˆ S
1
2 ˆ b1
X ˆ S 2 , Sb0 2 nx n(n 2)xi
2 b0 2 i 2 i
ei2 X i2
2 Sb0
返回
二、ols估计量的概率分布 p129
假设检验需要指明总体参数（即总体回归 系数）的估计量（即样本回归系数）服从 何种分布