第2讲 简单回归模型

合集下载
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

14
OLS的推导 的推导
普通最小二乘( 普通最小二乘(ordinary least square, OLS )估计量
如果 ∑ ( X i − X ) > 0,那么: 那么:
n 2 i =1 n
ˆ β1 =
∑ (X
i =1 n i =1
i
− X )(Yi − Y )
i
∑ (X
− X)
2
ˆ 且有: ˆ 且有: β 0 = Y − β 1 X ˆ ˆ 通过上述方法得到的 β 0 和 β 1 称为 β 0 和 β 1 的普通最小二乘估计量
i=1
n
即 Y 的样本总变异。 的样本总变异。 可以证明( 可以证明(课本 p38 ):
n i =1

n
i=1
(Y i − Y ) 2 =

(Y i − Y ) 2 +

∑u
i=1
n
∧ 2 i
23
拟合优度
总平方和( ):衡量 总平方和(total sum of squares, SST):衡量 的样本总变异 ):衡量Y的样本总变异 解释平方和( ):Y的样本总变 解释平方和(explained sum of squares, SSE): 的样本总变 ): 异能够被解释变量解释的部分 残差平方和( ):Y的样本总变 残差平方和(residual sum of squares, SSR): 的样本总变 ): 异不能被解释变量解释的部分, 异不能被解释变量解释的部分,也称为剩余平方和

22
拟合优度
o 为了衡量根据 为了衡量根据OLS估计得出的样本回归函数对真实数据的 估计得出的样本回归函数对真实数据的 拟合程度,引入拟合优度 拟合优度( 拟合程度,引入拟合优度(goodness of fitness)的概念 )
在样本中的离散程度, 用 ∑ (Y i − Y ) 2 衡量 Y 在样本中的离散程度,
SRF1
.
SRF2 ~ ~ ~=β +β x y 0 1
y1
x
19
OLS的推导:另一种方法 的推导: 的推导
o 基本思想:找到参数的合适估计值使得Y的拟合值与实际值 基本思想:找到参数的合适估计值使得 的拟合值与实际值 总体而言尽可能地接近。 总体而言尽可能地接近。
找到 β 0 和 β 1 ,使得残差的平方之和 min Q =
20
OLS的计算步骤 的计算步骤
OLS的计算步骤
第一步: 第一步:计算 X 和 Y 第二步:计算 ( X i − X )和 (Y i − Y ) 第二步: 第三步:计算 第三步: 第四步: 第四步:β 1
∧ ∧
( X i − X )(Y i − Y )和 ∑ ( X i − X ) 2 ∑
i i 2
ˆ ˆ ˆ 定义Yi = β 0 + β 1 X i 为X = X i 时Y的拟合值 ˆ ˆ ˆ ˆ 定义u = Y − Y = Y − β − β X 为X = X 时的残差
i i i i 0 1 i i
ˆ ˆ ˆ 定义Y = β 0 + β 1 X为总体回归函数 E (Y | X ) = β 0 + β 1 X 的样本回归函数 ˆ ∆Y ˆ ˆ ,表示 X变化一个单位时 Y的变化量 β1 = ∆X ˆ ˆ β 表示X = 0时Y的值
i =1 n
(
)
ˆ ˆ 有: X i [Yi − (Y − β 1 X ) − β 1 X i ] = 0 ∑
i =1 n
n
ˆ ⇒ ∑ X i (Yi − Y ) = β 1 ∑ X i ( X i − X )
n i =1 n i =1 2 ˆ ⇒ ∑ ( X i − X )(Yi − Y ) = β 1 ∑ ( X i − X ) n i =1 i =1
∧ ∧
最小, 最小,即:
∧ ∧
∑ ui =
i =1 ∧
n
∧ 2
∑ (Yi − Yi ) =
2 i =1
n

[Y i − ( β 0 + β 1 X i )] 2 ∑
i =1
n
一阶条件: 一阶条件: ∧ ∑ ( X i − X )(Yi − Y ) β1 = ∂Q / ∂ β 0 = 0 ( X i − X )2 ∑ ⇒ ∧ ∧ ∧ ∂Q / ∂ β 1 = 0 β 0 = Y − β1 X 证明过程见课本 p 65 − 66
} u1
u2 {.
.} u3
y1
.
x1
x2
x3
x4
x
10
二、普通最小二乘法(OLS) 普通最小二乘法( )
1. OLS的推导 的推导 2. OLS的推导:另一种方法 的推导: 的推导 3. OLS的计算步骤 的计算步骤 4. 拟合优度
OLS的推导 的推导
为了估计出总体回归函数中的参数, 为了估计出总体回归函数中的参数,需要从总体中抽取一 个样本。 个样本。用{(Xi ,Yi): i=1, …,n} 表示从总体中得到的一个样 本容量为n的随机样本。有: 本容量为 的随机样本。 的随机样本 Yi = β0 + β1Xi + ui
第二讲 简单回归模型
Simple Regression Model
一、基本概念 二、普通最小二乘法(OLS) 普通最小二乘法( ) 三、几个问题 四、OLS估计量的性质 估计量的性质
一、基本概念
1. 回归的涵义 2. 一个基本假定 3. 总体回归函数
回归的涵义
o 最初的涵义:回归(regress)一词最早由英国生理学家高 最初的涵义:回归( ) 尔顿( 尔顿(Galton)提出,用以指给定父母的身高后,儿女的 )提出,用以指给定父母的身高后, 身高有回复到人口总体平均身高的趋势, 身高有回复到人口总体平均身高的趋势,即“回归到中等 ”(regression to mediocrity) ) o 回归分析:在其他条件不变的情况下,考察一个变量对另 回归分析:在其他条件不变的情况下, 一个变量的影响。 一个变量的影响。
12
OLS的推导 的推导
根据零条件均值假定, 根据零条件均值假定,Cov(X,u) = E(Xu) – E(X)E(u)=E(Xu)=0 所以: 所以:E(Y – β0 – β1X) = 0 E[X(Y – β0 – β1X)] = 0
的估计量, 令 β 0 和 β 1 分别为总体参数 β 0 和 β 1的估计量, 则随机变量 Y − β 0 − β 1 X 和 X (Y − β 0 − β 1 X) 的样本均值分别为: 的样本均值分别为: ˆ ˆ n −1 ∑ Yi − β 0 − β 1 X i = 0
对于 Y = β 0 + β 1 X + u ,假定 E ( u | X ) = E ( u ) 由于可以通过标准化令 E ( u ) = 0, 因此有: 因此有: E ( u | X ) = E ( u ) = 0 事实上, E ( u | X ) = E ( u )意味着 Cov ( X , u ) = 0 事实上, 或 Corr ( X , u ) = 0,即 X 与 u 不相关
SST = SSE = SSR =

n
n
i =1
(Y i − Y ) 2 (Y i − Y ) 2
∧ 2 i ∧

n i =1
i=1
o 简单回归分析(即只有一个解释变量)难以做到控制其他 简单回归分析(即只有一个解释变量) 条件不变, 条件不变,但可以为我们学习多元回归分析奠定基础
5
回归的涵义
相关与回归( 相关与回归(correlation & regression) )
目的 相关分析 (correlation analysis) 回归分析 (regression analysis) 在其他条件不变的情 况下, 况下,分析变量之间 的因果关系 不对称的 回归系数 判定系数 分析变量之间的线性 关联程度 变量间的关系 对称的 指标 相关系数
u表示 Y与其条件均值的偏差, 称为非系统性成分。 与其条件均值的偏差, 称为非系统性成分。
β 1表示 X改变一个单位对 Y的条件均值的影响
8
总体回归函数
y
f(y)
.
x1 x2
. E(y|x) = β + β x
0 1
x
9
总体回归函数
y y4 E(y|x) = β0 + β1x . u4 {
y3 y2
7
总体回归函数
o 总体回归函数(population regression function, PRF) 总体回归函数( )
在零条件均值假定下, 在零条件均值假定下, E (Y | X ) = E [( β 0 + β 1 X + u ) | X ] = β 0 + β 1 X
β 0 + β 1 X表示 X取某一确定值时 Y的均值,称为系统性成 分; 的均值,

可见, 正相关, 可见,如果 X和Y正相关,即 S XY > 0,则 β 1 > 0 不相关, 如果 X和Y不相关,即 S XY = 0,则 β 1 = 0 负相关, 如果 X和Y负相关,即 S XY < 0,则 β 1 < 0

16


OLS的推导 的推导
拟合值( )、残差 拟合值(fitted value)、残差(residual)和样本回归函 )、残差( ) 数(sample regression function, SRF) )
i =1 n n


(
)
ˆ ˆ n −1 ∑ X i Yi − β 0 − β 1 X i = 0
i =1
(
)
13
OLS的推导 的推导
即:
ˆ ˆ ˆ ˆ Y = β 0 + β 1 X或 β 0 = Y − β 1 X ˆ ˆ 代入: 代入: n −1 ∑ X i Yi − β 0 − β 1 X i = 0
β 0:截距参数 / 系数(常数项) 系数(常数项) 系数(斜率) β 1:斜率参数 / 系数(斜率)
u:误差项 /扰动项
4
回归的涵义
o 例子 X Y 其他 条件 价格 需求量 收入 其他商品价格 个人偏好 … 教育 收入 工作经验 个人能力 家庭背景 … 教育 经济增长 物质资本投入 劳动力投入 技术 …
3
回归的涵义
o 回归分析中的变量和参数
Y = β 0 + β1 X + u , 若∆u = 0,那么∆Y = β1∆X
自变量 X Independent variable 因变量 Y Dependent variable 解释变量 Explanatory variable 被解释变量 Explained variable 控制变量 Control variable 响应变量 Response variable 预测子 Predictand 回归子 Regressand 预测元 Predictor 回归元 Regrewk.baidu.comsor
∑ ( X − X )(Y − Y ) = ∑ (X − X )
i ∧
第五步: 第五步:β 0 = Y − β 1 X
21
OLS的计算步骤 的计算步骤
例题2_1(课本p32:例2.3) (课本 例题 : ) salary: CEO的薪水 的薪水 roe:公司的股票回报率 :
salary = 963.191 + 18.501roe
o 从逻辑上说,回归分析本身并不意味着因果关系,对因果 从逻辑上说,回归分析本身并不意味着因果关系, 关系的判断来源于经济理论
6
一个基本假定
零条件均值假定( 零条件均值假定(zero conditional mean assumption) ) o 如何保证其他条件不变?简单地,如果 和u是独立的,即 如何保证其他条件不变?简单地,如果X和 是独立的 是独立的, X的变化不会对 造成影响,那么β1就可以度量其他条件不 的变化不会对u造成影响, 的变化不会对 造成影响 变的情况下X对 的影响 在计量分析中, 的影响。 变的情况下 对Y的影响。在计量分析中,采用一个技术性 的假定——零条件均值假定 的假定 零条件均值假定
0
17
OLS的推导 的推导
y y4
û4 {
.
ˆ ˆ ˆ y = β 0 + β1 x
SRF
y3 y2
û2 { .
.} û3
y1
} û1 .
x1 x2 x3 x4 x
18
OLS的推导 的推导
不同的样本得到不同的样本回归函数
y y4 y3 y2
ˆ ˆ = β 0 + β1 x y ˆ
. . .
x1 x2 x3 x4
15
OLS的推导 的推导
进一步的分析
X的样本方差: S X 的样本方差:
2
1 n ( X i − X )2 = ∑ n − 1 i =1 1 n = ∑ ( X i − X )(Yi − Y ) n − 1 i =1
X和Y的样本协方差: S XY 的样本协方差: S XY 所以: 所以: 1 = β 2 SX
相关文档
最新文档