計量經(jīng)濟(jì)學(xué)第二章經(jīng)典線性回歸模型

第二章經(jīng)典線性回歸模型

（ClassicalLinearRegressionModel）第一節(jié)線性回歸模型的概念第二節(jié)線性回歸模型的估計第三節(jié)擬合優(yōu)度第四節(jié)非線性關(guān)系的處理第五節(jié)假設(shè)檢驗(yàn)第六節(jié)預(yù)測第七節(jié)虛擬變量第一節(jié)線性回歸模型的概念

一.雙變量線性回歸模型

我們在上一章給出的需求函數(shù)的例子

Q=α+βP+u（2.1）是一個雙變量線性回歸模型，模型中只有兩個變量，一個因變量，一個解釋變量，由解釋變量的變動來解釋因變量的變動，或者說用因變量對解釋變量進(jìn)行線性回歸，因而稱為雙變量線性回歸模型，亦稱簡單線性回歸模型。讓我們再看一個例子。

C=α+βD+u(2.2)

這是凱恩斯消費(fèi)函數(shù)，其中C為消費(fèi)支出，D為個人可支配收入，u為擾動項(xiàng)（或誤差項(xiàng)）。此模型中，方程左端的消費(fèi)支出（C）為因變量（或被解釋變量），方程右端的個人可支配收入（D）為解釋變量（或自變量）。α和β是未知參數(shù)，由于雙變量線性回歸模型的圖形是一條直線，因而α和β習(xí)慣上又分別稱為截距和斜率。這里斜率β的含義是解釋變量增加一個單位所引起的因變量的變動。例如在(2.2)式中，β的含義是個人可支配收入增加一個單位所引起的消費(fèi)的增加量，經(jīng)濟(jì)學(xué)中稱之為邊際消費(fèi)傾向（MPC）。截距α的含義是解釋變量為0時α的值。截距α有時有經(jīng)濟(jì)含義，但大多數(shù)情況下沒有，因此，在計量經(jīng)濟(jì)分析中，通常不大關(guān)注α的取值如何。在教學(xué)中，我們習(xí)慣上采用Y表示因變量，X表示解釋變量，雙變量線性回歸模型的一般形式為：

Y=α+βX+u在實(shí)踐中，此模型被應(yīng)用于因變量和解釋變量的一組具體觀測值和（t=1,2,…,n），因而模型表示為：

=α+β+utt=1,2,…,n(2.3)它表明，對于n個時期t=1,2,…,n，該模型成立。更一般的形式為：

=α+β+ui,i=1,2,...,n(2.4)

即模型對X和Y的n對觀測值（i=1,2,…,n）成立。

(2.3)式一般用于觀測值為時間序列的情形，在橫截面數(shù)據(jù)的情形，通常采用(2.4)式。二、多元線性回歸模型

在許多實(shí)際問題中，我們所研究的因變量的變動可能不僅與一個解釋變量有關(guān)。因此，有必要考慮線性模型的更一般形式，即多元線性回歸模型：

t=1,2,…,n

在這個模型中，Y由X1、X2、X3、…XK所解釋，有K+1個未知參數(shù)β0、β1、β2、…βK。

這里，“斜率”βj的含義是其它變量不變的情況下，Xj改變一個單位對因變量所產(chǎn)生的影響。

例2.2食品需求方程

其中，Y=在食品上的總支出

X=個人可支配收入

P=食品價格指數(shù)用美國1959-1983年的數(shù)據(jù)，得到如下回歸結(jié)果（括號中數(shù)字為標(biāo)準(zhǔn)誤差）：Y和X的計量單位為10億美元(按1972不變價格計算).多元線性回歸模型中斜率系數(shù)的含義上例中斜率系數(shù)的含義說明如下：價格不變的情況下，個人可支配收入每上升10億美元（1個billion），食品消費(fèi)支出增加1.12億元（0.112個billion）。

收入不變的情況下，價格指數(shù)每上升一個點(diǎn)，食品消費(fèi)支出減少7.39億元（0.739個billion）回到一般模型

t=1,2,…，n即對于n組觀測值，有其矩陣形式為：

其中

第二節(jié)線性回歸模型的估計

一．經(jīng)典線性回歸模型的統(tǒng)計假設(shè)（1）E(ut)=0,t=1,2,…,n

即各期擾動項(xiàng)的均值（期望值）均為0。均值為0的假設(shè)反映了這樣一個事實(shí)：擾動項(xiàng)被假定為對因變量的那些不能列為模型主要部分的微小影響。沒有理由相信這樣一些影響會以一種系統(tǒng)的方式使因變量增加或減小。因此擾動項(xiàng)均值為0的假設(shè)是合理的。

（2）E(ui

uj)=0,i≠j

即各期擾動項(xiàng)互不相關(guān)。也就是假定它們之間無自相關(guān)或無序列相關(guān)。實(shí)際上該假設(shè)等同于：

cov(ui,uj)=0,i≠j這是因?yàn)椋?/p>

cov(ui,uj)=E{[ui-E(ui)][uj-E(uj)]}=E(uiuj)——根據(jù)假設(shè)（1）

（3）E(ut2)=σ2,t=1,2,…,n

即各期擾動項(xiàng)的方差是一常數(shù)，也就是假定各擾動項(xiàng)具有同方差性。這是因?yàn)椋?/p>

Var(ut)=E{[ut-E(ut)]2}=E(ut2)——根據(jù)假設(shè)（1）

（4）Xjt是非隨機(jī)量，j=1,2,…kt=1,2,…n（5）（K+1）<n;

即觀測值的數(shù)目要大于待估計的參數(shù)的個數(shù)（要有足夠數(shù)量的數(shù)據(jù)來擬合回歸線）。（6）各解釋變量之間不存在嚴(yán)格的線性關(guān)系。上述假設(shè)條件可用矩陣表示為以下四個條件：A1.E(u)=0

A2.由于顯然，僅當(dāng)

E(ui

uj)=0,i≠jE(ut2)=σ2,t=1,2,…,n

這兩個條件成立時才成立，因此，此條件相當(dāng)前面條件(2),(3)兩條，即各期擾動項(xiàng)互不相關(guān)，并具有常數(shù)方差。

A3.X是一個非隨機(jī)元素矩陣。

A4.Rank(X)=(K+1)<n.

------相當(dāng)于前面(5)(6)兩條即矩陣X的秩=（K+1)<n

滿足條件（A1）—（A4）的線性回歸模型稱為經(jīng)典線性回歸模型或古典線性回歸模型（CLR模型）。

當(dāng)然，為了后面區(qū)間估計和假設(shè)檢驗(yàn)的需要，還要加上一條：

A5.各期擾動項(xiàng)服從正態(tài)分布。

～，t=1,2,…n二、最小二乘估計1.最小二乘原理

為了便于理解最小二乘法的原理，我們用雙變量線性回歸模型作出說明。對于雙變量線性回歸模型Y=α+βX+u，

我們的任務(wù)是，在給定X和Y的一組觀測值

(X1,Y1),(X2,Y2),...,(Xn

,Yn)的情況下,如何求出

Yt=α+βXt+ut

中α和β的估計值和,

使得擬合的直線為“最佳”。直觀上看，也就是要求在X和Y的散點(diǎn)圖上穿過各觀測點(diǎn)畫出一條“最佳”直線，如下圖所示。*****

et************

YXXt圖

2.2

Yt殘差

擬合的直線

稱為擬合的回歸線.對于任何數(shù)據(jù)點(diǎn)

(Xt,Yt),此直線將Yt的總值

分成兩部分。

第一部分是Yt的擬合值或預(yù)測值：

,t=1,2,……,n第二部分，et，代表觀測點(diǎn)對于回歸線的誤差，稱為擬合或預(yù)測的殘差（residuals）：

t=1,2,……,n

即t=1,2,……,n殘差平方和我們的目標(biāo)是使擬合出來的直線在某種意義上是最佳的，直觀地看，也就是要求估計直線盡可能地靠近各觀測點(diǎn)，這意味著應(yīng)使殘差總體上盡可能地小。要做到這一點(diǎn)，就必須用某種方法將每個點(diǎn)相應(yīng)的殘差加在一起，使其達(dá)到最小。理想的測度是殘差平方和，即最小二乘法最小二乘法就是選擇一條直線，使其殘差平方和達(dá)到最小值的方法。即選擇和，使得達(dá)到最小值。

運(yùn)用微積分知識，使上式達(dá)到最小值的必要條件為：即整理，得：此二式稱為正規(guī)方程。解此二方程，得：其中：樣本均值離差2．多元線性回歸模型的最小二乘估計在多元線性回歸模型的情況下，我們的模型是：

問題是選擇，使得殘差平方和最小。

殘差為：要使殘差平方和

為最小，則應(yīng)有：我們得到如下K+1個方程（即正規(guī)方程）：

按矩陣形式，上述方程組可表示為：=即三.最小二乘估計量的性質(zhì)我們的模型為估計式為

1．的均值（由假設(shè)3）

(由假設(shè)1)即這表明，OLS估計量是無偏估計量。2．的方差為求Var()，我們考慮

不難看出，這是的方差-協(xié)方差矩陣，它是一個(K+1)×(K+1)矩陣，其主對角線上元素為各系數(shù)估計量的方差，非主對角線上元素為各系數(shù)估計量的協(xié)方差。由上一段的(2.19)式，我們有因此

請注意，我們得到的實(shí)際上不僅是的方差，而且是一個方差-協(xié)方差矩陣，為了反映這一事實(shí)，我們用下面的符號表示之：為方便起見，我們也常用

表示的方差-協(xié)方差矩陣，因此上式亦可寫作：需要注意的是，這里不表示方差向量，而是方差-協(xié)方差矩陣。4．高斯-馬爾科夫定理對于以及標(biāo)準(zhǔn)假設(shè)條件A1－A4,普通最小二乘估計量(OLS估計量）是最佳線性無偏估計量（BLUE）。我們已在上一段中證明了無偏性，下面證明線性和最小方差性。由OLS估計量的公式

可知,可表示為一個矩陣和因變量觀測值向量的乘積：其中是一個(K+1)*n非隨機(jī)元素矩陣。因而是線性估計量?，F(xiàn)設(shè)為的任意一個線性無偏估計量，即其中是一個(K+1)*n非隨機(jī)元素矩陣。則

顯然，若要為無偏估計量，即，只有，為（K+1）階單位矩陣。的方差為：

我們可將寫成

從而將的任意線性無偏估計量與OLS估計量聯(lián)系起來。由可推出：即

因而有由從而，因此上式中間兩項(xiàng)為0，我們有因此

最后的不等號成立是因?yàn)闉榘胝ň仃?。這就證明了OLS估計量是的所有線性無偏估計量中方差最小的。至此，我們證明了高斯-馬爾科夫定理。4．的分布我們在前面列出的假設(shè)條件（A5）表明，

~N(0,),t=1,2,…,n即各期擾動項(xiàng)服從均值為0、方差為的正態(tài)分布?？紤]到假設(shè)條件（A3），即是一個非隨機(jī)元素矩陣，則由前面(2.20)式：

我們有：這表明，是N個正態(tài)分布變量的線性函數(shù)，因而亦為正態(tài)分布變量，即（2.22）由此可知，系數(shù)估計量向量的每個元素都是正態(tài)分布的，即

j＝0,1…,k（2.23）其中cjj為矩陣中的（j＋1,j＋1）元素（主對角線上第j＋1個元素）。第三節(jié)擬合優(yōu)度一．決定系數(shù)R2

在估計了線性回歸模型之后，一個很自然的問題是，估計出的回歸線與觀測值擬合得好不好？這就是擬合優(yōu)度要解決的問題。擬合優(yōu)度的一個通行的測度是因變量Y的（樣本）變差被模型所解釋的比例，也就是因變量Y的變差被諸解釋變量所解釋的比例。這個統(tǒng)計量稱為決定系數(shù)（coefficientofdetermination），記做，定義為：

其中，=殘差平方和

ESS為ExplainedSumofSquares的縮寫；

RSS為ResidualSumofSquares的縮寫；

TSS為TotalSumofSquares的縮寫。決定系數(shù)R2

計量了Y的總變差中可以歸因于X和Y之間關(guān)系的比例，或者說Y的變動中可以由X的變動來解釋的比例。它是回歸線對各觀測點(diǎn)擬合緊密程度的測度。我們有：：完全擬合，：X與Y完全不存在線性關(guān)系，

的值越高，擬合得越好。但什么是高？并沒有絕對的標(biāo)準(zhǔn)，要根據(jù)具體問題而定。此外，回歸中使用時間序列數(shù)據(jù)還是橫截面數(shù)據(jù)也有不同的標(biāo)準(zhǔn)。對時間序列數(shù)據(jù)來說，的值在0.8、0.9以上是很常見的事,而在橫截面數(shù)據(jù)的情況下，0.4、0.5的值也不能算低。為方便計算，我們也可以用矩陣形式表示。

我們有：殘差其中，殘差平方和：而

將上述結(jié)果代入R2的公式，得到：這就是決定系數(shù)R2的矩陣形式。二．修正決定系數(shù)：

殘差平方和的一個特點(diǎn)是，每當(dāng)模型增加一個解釋變量，并用改變后的模型重新進(jìn)行估計，殘差平方和的值會減小。由此可以推論，決定系數(shù)是一個與解釋變量的個數(shù)有關(guān)的量：解釋變量個數(shù)增加減小R2

增大也就是說，人們總是可以通過增加模型中解釋變量的方法來增大R2

的值。因此，用R2

來作為擬合優(yōu)度的測度，不是十分令人滿意的。

為此，我們定義修正決定系數(shù)（Adjusted)如下：是經(jīng)過自由度調(diào)整的決定系數(shù)，稱為修正決定系數(shù)。我們有：（1）（2）僅當(dāng)K=0時，等號成立。即

（3）當(dāng)K增大時，二者的差異也隨之增大。

（4）可能出現(xiàn)負(fù)值。三．例子下面我們給出兩個簡單的數(shù)值例子，以幫助理解這兩節(jié)的內(nèi)容.

例2.3 Yt

=1+2X2t+3X3t+ut

設(shè)觀測數(shù)據(jù)為：Y：31835X2：31524X3：54646

試求各參數(shù)的OLS估計值，以及。解：我們有

例2.4

設(shè)n=20,k=3,R2=0.70，求。解：下面改變n的值，看一看的值如何變化。我們有若n=10，則=0.55

若n=5，則=-0.20

由本例可看出，有可能為負(fù)值。這與R2不同（）。

第四節(jié)非線性關(guān)系的處理

迄今為止，我們已解決了線性模型的估計問題。但在實(shí)際問題中，變量間的關(guān)系并非總是線性關(guān)系，經(jīng)濟(jì)變量間的非線性關(guān)系比比皆是。如大家所熟悉的柯布-道格拉斯生產(chǎn)函數(shù):

就是一例。在這樣一些非線性關(guān)系中，有些可以通過代數(shù)變換變?yōu)榫€性關(guān)系處理，另一些則不能。下面我們通過一些例子來討論這個問題。一.線性模型的含義

線性模型的基本形式是:

其特點(diǎn)是可以寫成每一個解釋變量和一個系數(shù)相乘的形式。線性模型的線性包含兩重含義：（1）變量的線性變量以其原型出現(xiàn)在模型之中，而不是以X2或Xβ之類的函數(shù)形式出現(xiàn)在模型中。（2）參數(shù)的線性

因變量Y是各參數(shù)的線性函數(shù)。二．線性化方法

對于線性回歸分析，只有第二種類型的線性才是重要的，因?yàn)樽兞康姆蔷€性可通過適當(dāng)?shù)闹匦露x來解決。例如，對于

此方程的變量和參數(shù)都是線性的。

參數(shù)的非線性是一個嚴(yán)重得多的問題，因?yàn)樗荒軆H憑重定義來處理?？墒牵绻Ｐ偷挠叶擞梢幌盗械腦β或eβX項(xiàng)相乘，并且擾動項(xiàng)也是乘積形式的，則該模型可通過兩邊取對數(shù)線性化。例如，需求函數(shù)

其中，Y=對某商品的需求

X=收入

P=相對價格指數(shù)

ν=擾動項(xiàng)可轉(zhuǎn)換為：

用X,Y,P的數(shù)據(jù)，我們可得到logY,logX和logP,從而可以用OLS法估計上式。

logX的系數(shù)是β的估計值，經(jīng)濟(jì)含義是需求的收入彈性，logP的系數(shù)將是γ的估計值，即需求的價格彈性。彈性（elasticity）是一變量變動1%所引起的另一變量變動的百分比。其定義為本例中，需求的收入彈性是收入變化1%，價格不變時所引起的商品需求量變動的百分比。需求的價格彈性是價格變化1%，收入不變時所引起的商品需求量變動的百分比。三．例子例2.5需求函數(shù)本章§1中，我們曾給出一個食品支出為因變量，個人可支配收入和食品價格指數(shù)為解釋變量的線性回歸模型例子（例2.2）。現(xiàn)用這三個變量的對數(shù)重新估計（采用同樣的數(shù)據(jù)），得到如下結(jié)果（括號內(nèi)數(shù)字為標(biāo)準(zhǔn)誤差）：回歸結(jié)果表明，需求的收入彈性是0.64,需求的價格彈性是-0.48，這兩個系數(shù)都顯著異于0。

例2.6柯布-道格拉斯生產(chǎn)函數(shù)

用柯布和道格拉斯最初使用的數(shù)據(jù)（美國1899-1922年制造業(yè)數(shù)據(jù)）估計經(jīng)過線性化變換的模型得到如下結(jié)果（括號內(nèi)數(shù)字為標(biāo)準(zhǔn)誤差）：

從上述結(jié)果可以看出，產(chǎn)出的資本彈性是0.23，產(chǎn)出的勞動彈性為0.81。例2.7貨幣需求量與利率之間的關(guān)系

M=a(r-2)b這里，變量非線性和參數(shù)非線性并存。對此方程采用對數(shù)變換

logM=loga+blog(r-2)令Y=logM,X=log(r-2),β1=loga,β2=b

則變換后的模型為：

Yt=β1+β2Xt+ut

將OLS法應(yīng)用于此模型，可求得β1和β2的估計值，從而可通過下列兩式求出a和b估計值：

應(yīng)當(dāng)指出，在這種情況下，線性模型估計量的性質(zhì)（如BLUE,正態(tài)性等）只適用于變換后的參數(shù)估計量，而不一定適用于原模型參數(shù)的估計量和。例2.8上例在確定貨幣需求量的關(guān)系式時，我們實(shí)際上給模型加進(jìn)了一個結(jié)束條件。根據(jù)理論假設(shè)，在某一利率水平上，貨幣需求量在理論上是無窮大。我們假定這個利率水平為2%。假如不給這一約束條件，而是從給定的數(shù)據(jù)中估計該利率水平的值，則模型變?yōu)椋?/p>

M=a(r-c)b

式中a,b,c均為參數(shù)。仍采用對數(shù)變換，得到

log(Mt)=loga+blog(rt

-c)+ut

t=1,2,…,n

我們無法將log(rt-c)定義為一個可觀測的變量X,因?yàn)檫@里有一個未知量c。也就是說，此模型無法線性化。在這種情況下，只能用估計非線性模型參數(shù)值的方法。四．非線性回歸

模型

Y=a(X-c)b是一個非線性模型，a、b和c是要估計的參數(shù)。此模型無法用取對數(shù)的方法線性化，只能用非線性回歸技術(shù)進(jìn)行估計，如非線性最小二乘法（NLS）。該方法的原則仍然是殘差平方和最小。計量經(jīng)濟(jì)軟件包通常提供這類方法，本書第五章將對非線性回歸方法作較深入的介紹，這里僅給出有關(guān)非線性最小二乘法的大致步驟如下：非線性回歸方法的步驟1． 首先給出各參數(shù)的初始估計值（合理猜測值）;2． 用這些參數(shù)值和X觀測值數(shù)據(jù)計算Y的各期預(yù)測值（擬合值）;3．計算各期殘差，然后計算殘差平方和∑e2;4．對一個或多個參數(shù)的估計值作微小變動；

5．計算新的Y預(yù)測值、殘差平方和∑e2；

6．若新的∑e2小于老的∑e2，說明新參數(shù)估計值優(yōu)于老估計值，則以它們作為新起點(diǎn)；

7．重復(fù)步驟4，5，6，直至無法減小∑e2為止。

8．最后的參數(shù)估計值即為最小二乘估計值。第五節(jié)假設(shè)檢驗(yàn)本節(jié)討論經(jīng)典線性回歸模型的區(qū)間估計和假設(shè)檢驗(yàn)問題。我們的模型是：

在第二節(jié)中我們證明了在擾動項(xiàng)服從正態(tài)分布的假設(shè)（A5）下，

~j＝0,1…,k

其中cjj

為矩陣中的（j＋1,j＋1）元素（主對角線上第j＋1個元素）。這一結(jié)果為基于OLS估計量的假設(shè)檢驗(yàn)提供了堅(jiān)實(shí)的基礎(chǔ)。一、β的置信區(qū)間我們可構(gòu)造一個檢驗(yàn)統(tǒng)計量

該變量服從均值為0、標(biāo)準(zhǔn)差為1的標(biāo)準(zhǔn)正態(tài)分布。與估計量相聯(lián)系的概率分布的標(biāo)準(zhǔn)差，通常稱為標(biāo)準(zhǔn)誤差（standarderror），用Se表示。的標(biāo)準(zhǔn)誤差為：

如果σ為已知，則由于檢驗(yàn)統(tǒng)計量z服從標(biāo)準(zhǔn)正態(tài)分布，因而我們可以立即給出總體參數(shù)的95%的置信區(qū)間為：但實(shí)際上，我們一般無法知道擾動項(xiàng)分布的方差，而必須根據(jù)觀測值數(shù)據(jù)估計出，然后再來考慮的置信區(qū)間的計算問題。

1．2

的估計可以證明，2的無偏估計量是

式中是殘差平方和，分母是的自由度，這是因?yàn)槲覀冊诠烙嫷倪^程中，失去了（K+1）個自由度。2.的置信區(qū)間我們重新定義的標(biāo)準(zhǔn)誤差為：則檢驗(yàn)統(tǒng)計量

不再服從標(biāo)準(zhǔn)正態(tài)分布，而是服從自由度為（n-k-1）的t分布，即這里n和k分別為觀測值和解釋變量的數(shù)目。故的（1－α）％置信區(qū)間為：其中α為顯著性水平，通常取α＝0.05。例2.9回到食品需求的例子（例2.2）：

其中，Y=在食品上的總支出，X=個人可支配收入，P=食品價格指數(shù)用美國1959-1983年的數(shù)據(jù)，得到如下回歸結(jié)果（括號中數(shù)字為標(biāo)準(zhǔn)誤差）：

求的95％置信區(qū)間。由回歸結(jié)果可知，，我們不難得到的95％置信區(qū)間為：即為0.1058～0.1182。二、假設(shè)檢驗(yàn)的邏輯和步驟假設(shè)檢驗(yàn)始于一個給定的假設(shè)，即所謂“原假設(shè)”，亦稱“零假設(shè)”，然后計算檢驗(yàn)統(tǒng)計量，這個檢驗(yàn)統(tǒng)計量在原假設(shè)成立的假定下的概率分布是已知的。下一步是判斷計算出的檢驗(yàn)統(tǒng)計量的值是否不大可能來自此分布，如果判斷是不大可能，則表明原假設(shè)不大可能成立。我們用一個例子來說明上述有關(guān)假設(shè)檢驗(yàn)的思路。設(shè)有一個原假設(shè)規(guī)定的值為，這里是研究人員選擇的一個值，如果這個原假設(shè)（H0：＝）成立，我們知道統(tǒng)計量

應(yīng)服從自由度為(n-k-1)的t分布，即如果原假設(shè)不成立，則備擇假設(shè)H1：成立。用于計算t的所有的量都是已知的，可以用估計值及其標(biāo)準(zhǔn)誤差Se()算出t的值，因此t可作為檢驗(yàn)統(tǒng)計量用于假設(shè)檢驗(yàn)，如果算出的t值絕對值過大，落入t分布的尾部，意味著原假設(shè)不大可能成立，因?yàn)樵谠僭O(shè)成立的情況下，得到這樣一個t值的概率很小。由上面的說明不難看出，假設(shè)檢驗(yàn)可以說就是檢驗(yàn)是否出現(xiàn)了小概率事件，如果出現(xiàn)小概率事件，則拒絕原來關(guān)于總體參數(shù)的假設(shè)；如果檢驗(yàn)表明得到的樣本值并不屬于小概率事件，即若我們的假設(shè)成立，得到該樣本值的概率不算小，則我們不能拒絕原來的假設(shè)，或者說，我們“接受”原假設(shè)。問題是，我們上面提到的概率究竟應(yīng)該小到什么程度才算小。一般說來，這取決于我們愿意承擔(dān)的拒絕一個正確的假設(shè)和接受一個錯誤的假設(shè)這兩方面的風(fēng)險。在實(shí)踐中，一般習(xí)慣于取5%作為拒絕假設(shè)的臨界水平，稱為5%的顯著性水平。假設(shè)檢驗(yàn)的具體步驟是：（1）建立關(guān)于總體參數(shù)的原假設(shè)和備擇假設(shè)；（2）計算檢驗(yàn)統(tǒng)計量，檢驗(yàn)原假設(shè)（是否出現(xiàn)小概率事件）；（3）得出關(guān)于原假設(shè)是否合理的結(jié)論。例2.10仍用食品需求的例子（例2.2）試檢驗(yàn)原假設(shè)：。原假設(shè)：H0：β1=0.12備擇假設(shè)：H1：β1≠0.12我們有：

用υ=n-k-1=25-2-1=22查t表，截斷兩側(cè)5%面積的t臨界值tc

=2.074∵

故拒絕原假設(shè)H0:。三、系數(shù)的顯著性檢驗(yàn)在假設(shè)檢驗(yàn)中，有關(guān)斜率系數(shù)是否為0的假設(shè)檢驗(yàn)特別重要。如果通過檢驗(yàn)，接受的原假設(shè)，則表明Xj和Y沒有關(guān)系，即Xj對Y的變動沒有影響。在這種情況下，可考慮從模型中剔除Xj。這類檢驗(yàn)稱為系數(shù)的顯著性檢驗(yàn)。1． 單個系數(shù)顯著性檢驗(yàn)?zāi)康氖菣z驗(yàn)?zāi)硞€解釋變量的系數(shù)βj是否為0，即該解釋變量是否對因變量有影響。原假設(shè)H0：

βj=0

備擇假設(shè)H1：

βj≠0單個系數(shù)顯著性檢驗(yàn)的檢驗(yàn)統(tǒng)計量是自由度為n-k-1的t統(tǒng)計量：～t(n-k-1)其中，為矩陣主對角線上第j+1個元素。而

例2.11仍用食品需求的例子（例2.2），回歸結(jié)果如下（括號中數(shù)字為標(biāo)準(zhǔn)誤差）：

試檢驗(yàn)價格的系數(shù)的顯著性。解：原假設(shè)H0：備擇假設(shè)H1：

查t表，

故拒絕原假設(shè)H0。結(jié)論：顯著異于0，P對Y有影響。2．若干個系數(shù)的顯著性檢驗(yàn)（聯(lián)合假設(shè)檢驗(yàn)）

有時需要同時檢驗(yàn)若干個系數(shù)是否為0，這可以通過建立單一的原假設(shè)來進(jìn)行。設(shè)要檢驗(yàn)g個系數(shù)是否為0，即與之相對應(yīng)的g個解釋變量對因變量是否有影響。不失一般性，可設(shè)原假設(shè)和備擇假設(shè)為：

H0:β1=β2=…=βg

=0H1:

H0不成立

(即X1,…Xg中某些變量對Y有影響)分析：這實(shí)際上相當(dāng)于檢驗(yàn)g個約束條件

β1=0，β2=0，…，βg

=0是否同時成立。若H0為真，則正確的模型是：

據(jù)此進(jìn)行回歸（有約束回歸），得到殘差平方和

SR是H0為真時的殘差平方和。

若H1為真，正確的模型即原模型：據(jù)此進(jìn)行無約束回歸（全回歸），得到殘差平方和S是H1為真時的殘差平方和。

如果H0為真，則不管X1,…Xg這g個變量是否包括在模型中，所得到的結(jié)果不會有顯著差別，因此應(yīng)該有：

S≈SR如果H1為真，則由上一節(jié)中所討論的殘差平方和∑e2的特點(diǎn)，無約束回歸增加了變量的個數(shù)，應(yīng)有

S<SR

通過檢驗(yàn)二者差異是否顯著地大，就能檢驗(yàn)原假設(shè)是否成立。所使用的檢驗(yàn)統(tǒng)計量是：

～F(g,n-k-1)其中，g為分子自由度，n-k-1為分母自由度。使用的作用是消除具體問題中度量單位的影響，使計算出的F值是一個與度量單位無關(guān)的量。例2.12給定20組Y,X1,X2,X3的觀測值，試檢驗(yàn)?zāi)Ｐ椭蠿1和X3對Y是否有影響？解：（1）全回歸估計得到：S=∑e2=25

（2）有約束回歸

估計得到：SR=∑e2=30原假設(shè)H0:β1=

β3=0

備擇假設(shè)H1:

H0不成立我們有：n=20,g=2,k=3用自由度（2，16）查F分布表，5%顯著性水平下，

∵F=1.6<FC=3.63,故接受H0。結(jié)論：X1和X3對Y無顯著影響3．全部斜率系數(shù)為0的檢驗(yàn)

上一段結(jié)果的一個特例是所有斜率系數(shù)均為0的檢驗(yàn)，即回歸方程的顯著性檢驗(yàn)：

H0：

β1=β2=…=βK=0

也就是說，所有解釋變量對Y均無影響。注意到g=K，

則該檢驗(yàn)的檢驗(yàn)統(tǒng)計量為：

分子分母均除以，有

從上式不難看出，全部斜率為0的檢驗(yàn)實(shí)際是檢驗(yàn)R2的值是否顯著異于0，如果接受原假設(shè)，則表明因變量的行為完全歸因于隨機(jī)變化。若拒絕原假設(shè)，則表明所選擇模型對因變量的行為能夠提供某種程度的解釋。四．檢驗(yàn)其他形式的系數(shù)約束條件

上面所介紹的檢驗(yàn)若干個系數(shù)顯著性的方法，也可以應(yīng)用于檢驗(yàn)施加于系數(shù)的其他形式的約束條件，如

檢驗(yàn)的方法仍是分別進(jìn)行有約束回歸和無約束回歸，求出各自的殘差平方和SR和S，然后用F統(tǒng)計量進(jìn)行檢驗(yàn)。當(dāng)然，單個系數(shù)的假設(shè)檢驗(yàn)，如H0：3=1.0，亦可用t檢驗(yàn)統(tǒng)計量進(jìn)行檢驗(yàn)。例2.13Cobb-Douglas生產(chǎn)函數(shù)

Y=AKαLβν

試根據(jù)美國制造業(yè)1899-1922年數(shù)據(jù)檢驗(yàn)規(guī)模效益不變的約束：α+β=1解：（1）全回歸

（2）有約束回歸：將約束條件代入，要回歸的模型變?yōu)椋?/p>

Y=AKαL1-αν

為避免回歸系數(shù)的不一致問題，兩邊除以L，模型變換為：

Y/L=A(K/L)αν

回歸，得：

由回歸結(jié)果得到的約束回歸和全回歸的殘差平方和分別為

SR=0.0716S=0.0710

（3）檢驗(yàn)原假設(shè)H0:α+β＝1

備擇假設(shè)H1:α+β≠1

本例中，g=1,K=2,n=24

用自由度（1，21）查F表，5%顯著性水平下，F(xiàn)c=4.32∵F=0.18<Fc=4.32

故接受原假設(shè)H0:α+β＝1

（4）結(jié)論我們的數(shù)據(jù)支持規(guī)模收益不變的假設(shè)。五、回歸結(jié)果的提供和分析1.回歸結(jié)果提供的格式在論文、專著或報告中提供回歸分析結(jié)果時一般應(yīng)采用簡潔而通行的格式，以便于交流。通行的格式有以下兩種：（1）

這里116.7、0.112和－0.739分別為常數(shù)項(xiàng)和兩個斜率系數(shù)的估計值，括號中提供的是的標(biāo)準(zhǔn)誤差。（2）括號中數(shù)字分別是原假設(shè)、和成立時的t值。由此可見，這兩種格式的唯一區(qū)別就在于括號中數(shù)字的含義不同。正因?yàn)槿绱?，人們在論文或著作中提供回歸結(jié)果時，必須在適當(dāng)?shù)胤秸f明括號中數(shù)字是標(biāo)準(zhǔn)誤差還是t值。需要說明的是，提供回歸結(jié)果的標(biāo)準(zhǔn)格式中一般還包括檢驗(yàn)一階自相關(guān)的DW檢驗(yàn)值，我們將在下一章“自相關(guān)”一節(jié)中介紹。2.回歸結(jié)果的分析結(jié)果的分析主要包括以下內(nèi)容：（1）系數(shù)估計值。首先是分析系數(shù)的符號是否正確，系數(shù)值的大小是否恰當(dāng)，是否符合理論預(yù)期和常識。上一段例中斜率系數(shù)一正一負(fù)，符合經(jīng)濟(jì)理論，數(shù)值大小也大致合理。（2）擬合情況。例中很高，擬合較理想。（3）系數(shù)的顯著性。例中斜率系數(shù)的t值分別為37.33和－6.48，表明這些系數(shù)顯著異于0，X和P對Y有影響。（4）根據(jù)DW檢驗(yàn)值說明是否存在擾動項(xiàng)的自相關(guān)。如何說明，將在下一章中介紹。第六節(jié)

預(yù)測

我們用OLS法對多元回歸模型的參數(shù)進(jìn)行了估計之后，如果結(jié)果理想，則可用估計好的模型進(jìn)行預(yù)測。預(yù)測指的是對諸自變量的某一組具體值

來預(yù)測與之相對應(yīng)的因變量值。當(dāng)然，要進(jìn)行預(yù)測，有一個假設(shè)前提應(yīng)當(dāng)滿足，即擬合的模型在預(yù)測期也成立。

點(diǎn)預(yù)測值由與給定的諸X值對應(yīng)的回歸值給出，即

而預(yù)測期的實(shí)際Y值由下式給出：

其中u0是從預(yù)測期的擾動項(xiàng)分布中所取的值。預(yù)測誤差可定義為：兩邊取期望值，得因此，OLS預(yù)測量是一個無偏預(yù)測量。

預(yù)測誤差的方差為：從e0

的定義可看出，e0

為正態(tài)變量的線性函數(shù)，因此，它本身也服從正態(tài)分布。故由于為未知，我們用其估計值代替它，有

則的95%置信區(qū)間為：即

例2.14用例2.4的數(shù)據(jù)，預(yù)測X2=10，X3=10的Y值。

解：

由例2.4我們已得到：

因此

的95%置信區(qū)間為：或3.66至24.34之間.

第七節(jié)虛擬變量（Dummyvariables）一．虛擬變量的概念

在回歸分析中，常常碰到這樣一種情況，即因變量的波動不僅依賴于那種能夠很容易按某種尺度定量化的變量（如收入、產(chǎn)出、價格、身高、體重等），而且依賴于某些定性的變量（如性別、地區(qū)、季節(jié)等）。在經(jīng)濟(jì)系統(tǒng)中，許多變動是不能定量的。如政府的更迭（工黨-保守黨）、經(jīng)濟(jì)體制的改革、固定匯率變?yōu)楦訁R率、從戰(zhàn)時經(jīng)濟(jì)轉(zhuǎn)為和平時期經(jīng)濟(jì)等。

這樣一些變動都可以用0-1變量來表示，用1表示具有某一“品質(zhì)”或?qū)傩?，?表示不具有該“品質(zhì)”或?qū)傩?。這種變量在計量經(jīng)濟(jì)學(xué)中稱為“虛擬變量”。虛擬變量使得我們可以將那些無法定量化的變量引入回歸模型中。下面給出幾個可以引入虛擬變量的例子。例1：你在研究學(xué)歷和收入之間的關(guān)系，在你的樣本中，既有女性又有男性，你打算研究在此關(guān)系中，性別是否會導(dǎo)致差別。例2：你在研究某省家庭收入和支出的關(guān)系，采集的樣本中既包括農(nóng)村家庭，又包括城鎮(zhèn)家庭，你打算研究二者的差別。