[工学]截面数据计量经济学导论.pptVIP

截面数据计量分析导论 一、数据结构 二、截面基本模型 三、基本假定 四、检验 五、放宽基本假定 一、横截面数据结构 横截面数据是指在某一特定时点上所收集的有关研究对象的信息。 横截面数据集（cross-sectional data set):即给定时点对个人、家庭、企业、城市、国家或一系列其他单位采集的样本所构成的数据集（应该忽略细小的时间差别） 1、横截面数据的特点 横截面数据的离散性比较高 2、应注意的问题 （1）异方差问题 （2）数据的一致性。 不同的变量要有一样多的样本； 取样的时期上要一致； 统计标准的一致 二、线性回归方法 1、“回归”一词的历史渊源加尔顿－回归到中等（或平均） 回归分析是关于研究一个叫做应变量的变量对另一个或多个叫做自变量的变量的依赖关系，其用意在于通过后者的已知或给定值，去估计和预测前者的（总体）均值 经济变量之间的关系，大体上可以分为两种： （1）函数关系：Y=f(X1,X2,….,XP)，其中Y的值是由Xi（i=1,2….p）所唯一确定的。 （2）相关关系: Y=f(X1,X2,….,XP) ，这里Y的值不能由Xi（i=1,2….p）精确的唯一确定。 对于变量间的相关关系，我们可以根据大量的统计资料，找出它们在数量变化方面的规律（即“平均”的规律），这种统计规律所揭示的关系就是回归关系（regressive relationship）,所表示的数学方程就是回归方程（regression equation）或回归模型（regression model）。 2、线性回归模型一般形式 3、几个关系 （1）统计关系和确定性（函数）关系计量经济学主要处理的是随机（random或stochastic）的应变量，也就是有着概率分布的变量，这是一种统计关系。也可以从有无随机干扰项的角度来区分。 （2）回归与因果关系从逻辑上来说，回归关系式本身并不意味着任何因果关系，因果关系应该来自统计学之外。 （3）回归与相关关系变量是否是确定的；变量之间是否对称；相关系数度量VS估计或预测应变量的平均值 （4）总体和样本关系 总体是我们研究的目的，但是不能知道总体的全部数据 用总体中的一部分（样本）来推断总体的性质。 BLUE-Best Linear Unbiasedness Estimator 总体回归直线与样本回归直线 如果估计误差较小，即估计值与真实值比较接近，则可以用样本回归方程近似地代替总体回归方程，即利用样本回归方程近似地描述总体的平均变化规律。 因此，回归分析的主要内容可以概括成： 根据样本观察值确定样本回归方程； 检验样本回归方程对总体回归方程的近似程度； 利用样本回归方程分析总体的平均变化规律 4、随机干扰项的意义： （1）理论的含糊性（其他因素） （2）数据的欠缺 （3）核心变量与周边变量（或上或下的随机影响） （4）人类行为的内在随机性 （5）糟糕的替代变量（永久消费和永久收入） （6）节省原则（多重共线性的影响） （7）错误的函数形式 5、线性回归模型的假定 （1）函数形式： （2）干扰项的零均值： （3）同方差性： （4）无自相关： （5）回归量与干扰项的非相关： （6）正态性： 含义 （1）函数不含非线性项，为线性模型。 （2）干扰项的零均值的意思是凡是模型不显著含有的并因而归属 的因素，对yi的均值都没有系统的影响；正的 值抵销了负的 值，以至于他们对yi 的平均值的影响为零。 （3） 的同方差性同时也意味着y 的同方差性，即随着 xi 的变动，y i 的取值的分布是一定的，是分布不变的。 （4）干扰项之间的无自相关意味着y i的决定与其他期的 值无关。 （5）干扰项与自变量之间的非相关，干扰项本身是独立于自变量之外的，且如果干扰项与自变量存在相关，则不能独自说明其作用。 （6） 随机的、独立的、同分布 以上假设也称为线性回归模型的经典假设或高斯（Gauss）假设，满足该假设的线性回归模型，也称为经典线性回归模型（Classical Linear Regression Model, CLRM）。 三、普通最小二乘法 总体回归函数（PRF)与样本回归函数（SRF)之差的平方和最小为最小二乘法的准则。 1、估计参数的特性 （1）最小二乘估计量的线性和无偏性质 （2）所谓线性即估计量是yi 的一个线性函数 （3）所谓无偏即系数估计量的期望等于系数原值 （4）干扰项方差的一个无偏估计量 2、OLS经典假设 假定分类：