新能源汽車維護全套教學課件合集

第

一

章

緒

論§1.1

計量經(jīng)濟學§1.2經(jīng)典計量經(jīng)濟學模型的建模步驟

§1.3

計量經(jīng)濟學模型的應用§1.4本書內(nèi)容安排說明關(guān)于緒論○緒論是課程的綱?！饘W好緒論，可以說學好了課程的一半。參觀一個城

市，先站在最高處俯瞰，然后走街串巷；了解一座建筑，先看模型，后走進每一個房間。各起一半作

用?！鹁w論課的目的：了解課程的性質(zhì)和在課程體系中的地位；了解課程完整的內(nèi)容體系和將要講授的內(nèi)容；

了解課程的重點和難點；了解課程的學習方法；介

紹課程中不講的但是必須了解的課程內(nèi)容。○不必全懂，只需似懂非懂?！?

.

1計量經(jīng)濟學一、計量經(jīng)濟學二、計量經(jīng)濟學模型三、計量經(jīng)濟學的內(nèi)容體系四、計量經(jīng)濟學是一門經(jīng)濟學科五、計量經(jīng)濟學方法論六、計量經(jīng)濟學教科書的內(nèi)容與局限一、計量經(jīng)濟學·

經(jīng)濟學的一個分支學科-20世紀20年代末30年代初誕生-1926年挪威經(jīng)濟學家R.Frish

提出Econometrics-1930年成立世界計量經(jīng)濟學會-1933年創(chuàng)刊《Econometrica》-20世紀40、50年代的大發(fā)展和60

年代的擴張-20世紀70年代的批評和反思-20世紀70年代末以來非經(jīng)典(現(xiàn)代)計量經(jīng)濟學的發(fā)展·

名

稱-Econometrics一計量經(jīng)濟學一經(jīng)濟計量學·

定義：經(jīng)濟理論、統(tǒng)計學和數(shù)學的結(jié)合一弗里希：“經(jīng)驗表明，統(tǒng)計學、經(jīng)濟理論和數(shù)學這三者對于真正了解現(xiàn)代經(jīng)濟生活的數(shù)量關(guān)系來說，

都是必要的，但本身并非是充分條件。三者結(jié)合起

來，就是力量，這種結(jié)合便構(gòu)成了計量經(jīng)濟學。”一薩繆爾森：

“計量經(jīng)濟學可以定義為實際經(jīng)濟現(xiàn)象的數(shù)量分析。這種分析基于理論與觀測的并行發(fā)展，

而理論與觀測又是通過適當?shù)耐茢喾椒ǖ靡月?lián)系?！?戈登伯格：

“計量經(jīng)濟學可以定義為這樣的社會科學：它把經(jīng)濟理論、數(shù)學和統(tǒng)計推斷作為工具，應

用于經(jīng)濟現(xiàn)象分析?！薄?/p>

在經(jīng)濟學科中占據(jù)極重要的地位-

克萊因：

“計量經(jīng)濟學已經(jīng)在經(jīng)濟學科中居于最重

要的地位”,

“在大多數(shù)大學和學院中，計量經(jīng)濟

學的講授已經(jīng)成為經(jīng)濟學課程表中最有權(quán)威的一部

分”。一薩繆爾森：

“第二次大戰(zhàn)后的經(jīng)濟學是計量經(jīng)濟學的時代”?！ぶ袊?jīng)濟類本科生核心課程-

《計量經(jīng)濟學》與《微觀經(jīng)濟學》、

《宏觀經(jīng)濟學》

一起成為各國高校經(jīng)濟類學生的核心課程。-1998年7月，教育部高等學校經(jīng)濟學學科教學指導

委員會成立，在第一次會議上，討論并確定了高等

學校經(jīng)濟學門類各專業(yè)的8門共同核心課程，其中包

括《計量經(jīng)濟學》。-將《計量經(jīng)濟學》首次列入經(jīng)濟類專業(yè)核心課程，是我國經(jīng)濟學學科教學走向現(xiàn)代化和科學化的重要

標志，對我國經(jīng)濟學人才培養(yǎng)質(zhì)量產(chǎn)生了重要影響。二、計量經(jīng)濟學模型·

模型-物理模型-幾何模型-數(shù)學模型-模擬模型·

數(shù)學模型-經(jīng)濟數(shù)學模型一.·

經(jīng)濟數(shù)學模型-理論模型-經(jīng)驗模型·

經(jīng)驗模型-計量經(jīng)濟學模型-投入產(chǎn)出分析模型一·

計量經(jīng)濟學模型(Econometric

Model)-截面數(shù)據(jù)模型(Cross

Sectional

Data

Model)-時間序列數(shù)據(jù)模型(Time

Series

Data

Model)-面板數(shù)據(jù)模型(Panel

Data

Model)·計量經(jīng)濟學模型在經(jīng)濟分析中的地位-經(jīng)濟理論分析(行為分析)

→

數(shù)理分析

→

數(shù)量分

析(主要是計量經(jīng)濟分析)三、計量經(jīng)濟學的內(nèi)容體系·

各種分類-廣義計量經(jīng)濟學和狹義計量經(jīng)濟學-初、中、高級計量經(jīng)濟學-理論計量經(jīng)濟學和應用計量經(jīng)濟學-經(jīng)典計量經(jīng)濟學和非經(jīng)典計量經(jīng)濟學-微觀計量經(jīng)濟學和宏觀計量經(jīng)濟學·

廣義計量經(jīng)濟學和狹義計量經(jīng)濟學-廣義計量經(jīng)濟學，是利用經(jīng)濟理論、數(shù)學以及統(tǒng)計

學定量研究經(jīng)濟現(xiàn)象的經(jīng)濟計量方法的統(tǒng)稱，包括

回歸分析方法、投入產(chǎn)出分析方法、時間序列分析方法等。-狹義計量經(jīng)濟學，即通常所說的計量經(jīng)濟學，以揭

示經(jīng)濟現(xiàn)象中的因果關(guān)系為目的，在數(shù)學上主要應用回歸分析方法。-

本課程中的計量經(jīng)濟學模型，就是狹義計量經(jīng)濟學

意義上的經(jīng)濟數(shù)學模型。·

初、中、高級計量經(jīng)濟學-

初級以計量經(jīng)濟學的數(shù)理統(tǒng)計學基礎(chǔ)知識和經(jīng)典的

線性單方程模型理論與方法為主要內(nèi)容；-

中級以用矩陣描述的經(jīng)典的線性單方程模型理論與

方法、經(jīng)典的線性聯(lián)立方程模型理論與方法，以及

傳統(tǒng)的應用模型為主要內(nèi)容；-

高級以非經(jīng)典的、現(xiàn)代的計量經(jīng)濟學模型理論、方

法與應用為主要內(nèi)容。-本課程定位于中級水平上，適當引入高級的內(nèi)容?！?/p>

理論計量經(jīng)濟學和應用計量經(jīng)濟學-

理論計量經(jīng)濟學是以介紹、研究計量經(jīng)濟學的理論

與方法為主要內(nèi)容，側(cè)重于理論與方法的數(shù)學證明

與推導，與數(shù)理統(tǒng)計聯(lián)系極為密切。除了介紹計量

經(jīng)濟模型的數(shù)學理論基礎(chǔ)、普遍應用的計量經(jīng)濟模

型的參數(shù)估計方法與檢驗方法外，還研究特殊模型

的估計方法與檢驗方法，應用了廣泛的數(shù)學知識。-應用計量經(jīng)濟學則以建立與應用計量經(jīng)濟學模型為

主要內(nèi)容，強調(diào)應用模型的經(jīng)濟學和經(jīng)濟統(tǒng)計學基

礎(chǔ)，側(cè)重于建立與應用模型過程中實際問題的處理。-本課程是二者的結(jié)合?！?/p>

經(jīng)典計量經(jīng)濟學和非經(jīng)典計量經(jīng)濟學-經(jīng)典計量經(jīng)濟學

(

Classical

Econometrics)

一般

指20世紀70年代以前發(fā)展并廣泛應用的計量經(jīng)濟學?！.Frish創(chuàng)立·T.Haavelmo建立了它的概率論基礎(chǔ)·L.R.Klein成為其理論與應用的集大成者-經(jīng)典計量經(jīng)濟學模型包括：·單方程模型(Single

Equation

Model)·聯(lián)立方程模型(Simultaneous

Equations

Model)·

以線性模型為主要形式-

經(jīng)典計量經(jīng)濟學模型設(shè)定理論可以概括為：·依據(jù)某種已經(jīng)存在的經(jīng)濟理論或者已經(jīng)提出的對

經(jīng)濟行為規(guī)律的某種解釋設(shè)定模型的總體結(jié)構(gòu)和

個體結(jié)構(gòu)，即模型是建立在已有的經(jīng)濟理論和經(jīng)濟行為規(guī)律假設(shè)的基礎(chǔ)之上的；·

引進概率論思想作為模型研究的方法論基礎(chǔ)，選

擇隨機聯(lián)立線性方程組作為模型的一般形式；·模型的識別、參數(shù)的估計、模型的檢驗是主要的

技術(shù)問題；·

以模型對樣本數(shù)據(jù)的擬合優(yōu)度作為檢驗模型的主

要標準。-

對經(jīng)典計量經(jīng)濟學模型的批判—Lucas批判·Lucas(1976)

、Sarget(1976)

、Sims(1980)·Lucas(1976):

使用計量經(jīng)濟模型預測未來經(jīng)濟政

策的變化所產(chǎn)生的效用是不可信的。其實質(zhì)是提出

了結(jié)構(gòu)模型模型參數(shù)是否隨時間變化的問題?！arget(1976):

以貨幣政策為例，重新解析了Lucas批判。結(jié)構(gòu)模型對于評價政策似乎是無能為

力

的

?！ims(1980):為使結(jié)構(gòu)方程可以識別而施加了許多

約束，這些約束是不可信的。建議采用向量自回歸

(VAR)

模型而避免結(jié)構(gòu)約束問題。·

關(guān)于模型設(shè)定：經(jīng)濟學理論不足以指導如何設(shè)定模

型，以及保證模型設(shè)定的正確性。-非經(jīng)典計量經(jīng)濟學一般指20世紀70年代末以來發(fā)

展的計量經(jīng)濟學理論、方法及應用模型，也稱為

現(xiàn)代計量經(jīng)濟學。-非經(jīng)典計量經(jīng)濟學主要包括：·

微觀計量經(jīng)濟學(Microeconometrics)·

時間序列計量經(jīng)濟學(Time-Series

Econometrics

)·

面板數(shù)據(jù)計量經(jīng)濟學

(

Panel

Data

Econometrics)·

非參數(shù)計量經(jīng)濟學(Nonparametric

Econometrics)-

本課程以經(jīng)典計量經(jīng)濟學為主，適當引入一些

簡單的、應用較多的現(xiàn)代計量經(jīng)濟學理論方法。

理

由

：·一方面，從理論方法角度，經(jīng)典計量經(jīng)濟學理

論方法是非經(jīng)典計量經(jīng)濟學理論方法的基礎(chǔ)；·

另一方面，從應用的角度，經(jīng)典計量經(jīng)濟學模

型仍然是目前應用最為普遍的計量經(jīng)濟學模型?！?/p>

微觀計量經(jīng)濟學和宏觀計量經(jīng)濟學一微觀計量經(jīng)濟學

于2000年諾貝爾經(jīng)濟學獎公報中

正式提出。·

集中于“對個人和家庭的經(jīng)濟行為進行經(jīng)驗分析”?！?/p>

“原材料是微觀數(shù)據(jù)”,微觀數(shù)據(jù)表現(xiàn)為截面數(shù)據(jù)和面板數(shù)據(jù)?！?/p>

赫克曼

(J.Heckman)和麥克法登

(

D.McFaddan)

作出原創(chuàng)性貢獻?！?/p>

內(nèi)容主要包括離散選擇模型的理論方法、選擇性樣

本模型的理論方法、面板數(shù)據(jù)模型的理論方法?！?/p>

本課程第六章簡單介紹。-宏觀計量經(jīng)濟學名稱由來已久，但是它的主要

內(nèi)容和研究方向發(fā)生了變化?！?/p>

經(jīng)典宏觀計量經(jīng)濟學：利用計量經(jīng)濟學理論方法，

建立宏觀經(jīng)濟模型，對宏觀經(jīng)濟進行分析、評價

和預測。·

現(xiàn)代宏觀計量經(jīng)濟學的主要研究方向：單位根檢

驗、協(xié)整理論以及動態(tài)計量經(jīng)濟學?！?/p>

本課程第五章討論。四、計量經(jīng)濟學是一門經(jīng)濟學科·

從計量經(jīng)濟學的定義看·

從計量經(jīng)濟學在經(jīng)濟學科中的地位看·

從計量經(jīng)濟學與數(shù)理統(tǒng)計學的區(qū)別看·從建立與應用計量經(jīng)濟學模型的全過程看·

從諾貝爾經(jīng)濟學獎看·

諾貝爾經(jīng)濟學獎與計量經(jīng)濟學-75位獲獎者中12位直接因為對計量經(jīng)濟學發(fā)展的貢

獻而獲獎·1969R.FrishJ.Tinbergen·1973

W.Leotief·1980

L.R.Klein·1984

R.Stone·1989

T.Haavelmo·2000J.J.HeckmanD.L.McFadden·2003

R.F.Engle

C.W.J.Granger·2011ChnistopherSims

J.Sargent)一絕大多數(shù)在獲獎成果中應用了計量經(jīng)濟學五、計量經(jīng)濟學方法論·

規(guī)范經(jīng)濟學和實證經(jīng)濟學一從方法論角度，可以將經(jīng)濟學分為規(guī)范經(jīng)濟學(Normative

Economics)

和實證經(jīng)濟學

(PositiveEconomics)。一規(guī)范經(jīng)濟學要解決的是“應該是什么”的問題，依據(jù)

一定的價值判斷，提出某些分析和處理經(jīng)濟問題的標

準，并以此作為提出經(jīng)濟理論的前提和制定經(jīng)濟政策

的依據(jù)

。實證經(jīng)濟學不涉及價值判斷，旨在回答“是什么”、

“能不能”之類的實證問題。一實證經(jīng)濟學又分為理論

(

Theoretical

)實證和經(jīng)驗

(Empirical)實證。理論實證主要采用演繹的方法，

經(jīng)驗實證主要采用歸納的方法?！?/p>

演繹法是實證經(jīng)濟學的基本研究方法-

西尼爾：“這門科學依靠的主要是推理而不是觀測，

其主要困難不是在于事實的調(diào)查而是在于術(shù)語的使

用”

。-

穆

勒：作為一門抽象科學，經(jīng)濟學必須使用先驗方法，

即抽象演繹法?！?/p>

20世紀20年代以后，歸納法在主流經(jīng)濟學研究中

的重要性上升。-J.N

·凱恩斯：經(jīng)濟學的研究方法應當是演繹和歸納的

結(jié)

合

。-

哈奇森認為，所有命題可以劃分為兩類：重復命題和

經(jīng)驗命題。科學的經(jīng)濟學命題應當能夠被經(jīng)驗地檢驗，

而已有的經(jīng)濟學命題深陷于限制條件或“其他條件不

變”的圍護之中，無法被檢驗，也不能提供信息。·

20世紀20年代末30年代初計量經(jīng)濟學誕生，確立

了歸納法的地位。-計量經(jīng)濟學的產(chǎn)生和迅速發(fā)展，集中體現(xiàn)了歸納法或

者說經(jīng)驗檢驗在經(jīng)濟學研究中的興起。-但是，不應由此而簡單地斷言，計量經(jīng)濟學僅僅是經(jīng)

驗歸納法?！?/p>

計量經(jīng)濟學應用研究包含兩大基本步驟：設(shè)定模

型和檢驗模型。一前者屬于演繹法的范疇；-后者屬于歸納法的范疇。-如果缺少前一個步驟，就不再是計量經(jīng)濟學，而是經(jīng)

濟統(tǒng)計學的工作；一如果缺少后一個步驟，也不再是計量經(jīng)濟學，而是數(shù)理經(jīng)濟學的工作。一計量經(jīng)濟學綜合了上述兩個步驟，是抽象演繹法和經(jīng)驗歸納法的有機結(jié)合，或者說，它既是歸納的，又是

演繹的。·

演繹推理和歸納推理的結(jié)合，不僅意味著彼此補

充，也導致了彼此限制。一歸納推理的作用在于檢驗演繹推理得出的理論假說，故而演繹階段對歸納階段形成了根本性的限制。一歸納階段反過來也會對演繹階段形成極大限制。從模型的基本形式到變量的選擇，都要受到既定的數(shù)據(jù)條

件和已有的計量分析方法的局限。-演繹法和歸納法是計量經(jīng)濟學的兩翼，缺一不可，

不能偏廢。經(jīng)濟學研究計量經(jīng)濟學模型研究計量經(jīng)濟學課程內(nèi)容觀察模型設(shè)定抽象檢驗樣本采集模型估計模型估計模型檢驗模型檢驗發(fā)現(xiàn)模型應用六、計量經(jīng)濟學教科書的內(nèi)容與局限·

計量經(jīng)濟學模型研究的完整框架·

計量經(jīng)濟學教科書，都是以模型估計和檢驗方法

作為核心內(nèi)容，甚至是全部內(nèi)容。一傳統(tǒng)的計量經(jīng)濟學教科書認為，從觀察到抽象，即模

型的設(shè)定，是理論經(jīng)濟學家(包括數(shù)理經(jīng)濟學家)的

任務，而有關(guān)數(shù)據(jù)的問題則是統(tǒng)計學的任務。作為計

量經(jīng)濟學，研究的重點就是模型的估計方法和檢驗方

法，統(tǒng)稱為計量經(jīng)濟學理論方法。不斷地創(chuàng)新和發(fā)展

計量經(jīng)濟學理論方法，則是計量經(jīng)濟學家的任務。-《Basic

Econometrics》(Damodar

N.Gujarati):“計量經(jīng)濟學家的主要興趣在于經(jīng)濟理論的經(jīng)驗論證”,“計量經(jīng)濟學家常常采用數(shù)理經(jīng)濟學家所提出的數(shù)學方程式，將這些方程式改造成適合于經(jīng)驗檢驗

的形式”,

“收集、加工經(jīng)濟數(shù)據(jù)，是統(tǒng)計學家的工

作”,

“這些數(shù)據(jù)構(gòu)成了計量經(jīng)濟模型的原始資料”。

而且正是在這個意義上，“計量經(jīng)濟學才成為一個獨

立的學科”。-《IntroductoryEconometrics》

(M.Wooldridge):“在多數(shù)情況下，計量經(jīng)濟分析是從一個已經(jīng)設(shè)定的模型開始的，而沒有考慮模型構(gòu)造的細節(jié)”?！?/p>

帶來的問題一從計量經(jīng)濟學教科書中，很難看出計量經(jīng)濟學課程是“理論經(jīng)濟學、統(tǒng)計學和數(shù)學的結(jié)合”;一

人們學習了計量經(jīng)濟學課程，卻很難正確應用計量經(jīng)濟學模型方法研究實際經(jīng)濟問題。因為作為計量經(jīng)濟

學應用的最重要的兩步，即如何正確地設(shè)定計量經(jīng)濟

學模型和正確地采集、處理樣本數(shù)據(jù)，在課程教學內(nèi)

容中幾乎沒有涉及?！?.2

建立計量經(jīng)濟學模型的步驟和要點一、理論模型的設(shè)計二、樣本數(shù)據(jù)的收集三、模型參數(shù)的估計四、模型的檢驗五、計量經(jīng)濟學模型成功的三要素關(guān)于本節(jié)的說明·

本節(jié)以經(jīng)典單方程計量經(jīng)濟學模型為對象，介紹建立計量經(jīng)濟學模型的過程。-在學習全書之前，首先對建模過程有一個整體的了解，

會使學習具體內(nèi)容時更具目的性、針對性。-凡是后續(xù)內(nèi)容中要詳細介紹的部分，在本節(jié)中只作為

一個步驟列出；凡是后續(xù)內(nèi)容中不再介紹的部分，在

本節(jié)中進行較為詳細的交待?！?/p>

與第七章的關(guān)系一第七章將專門討論建立計量經(jīng)濟學模型中的若干方法論問題，包括模型類型的選擇、總體模型的設(shè)定、模

型變量的選擇等。-為了避免重復，本節(jié)只介紹建立模型的步驟，以及每個步驟中比較淺顯的要點。一至于每個步驟的邏輯學、經(jīng)濟學和統(tǒng)計學內(nèi)涵以及比較深入的要點，只有在學習全書之后才能真正理解，

因此將在第七章進行較為詳細的討論?！?/p>

建立理論模型包括4項任務：-確定模型包含的變量-確定模型的數(shù)學形式-確定隨機擾動項的概率分布特性-擬定模型中待估計參數(shù)的理論期望值區(qū)間·Y

為被解釋變量(explained

or

dependent

variable)·X為解釋變量(explanatory

or

independentvariable

s)h(y,,θ)=g(X,β)+μ

i=1,2,L,n一、理論模型的建立·

確定模型包含的變量-在確定了被解釋變量后，如何選擇和選擇哪些解釋變量?

一依據(jù)經(jīng)濟學理論——理論導向?！?/p>

經(jīng)濟學理論的“理性”、

“最優(yōu)”——實際經(jīng)濟活動

的非理性、非最優(yōu)?！?/p>

經(jīng)濟學理論強調(diào)“簡單”——計量經(jīng)濟學模型強調(diào)“

一

般

”

O·對于同一個研究對象，不同的研究者依據(jù)不同的先驗

理論，就會設(shè)定不同的模型?！?/p>

模型具有結(jié)構(gòu)關(guān)系不變性?！?/p>

破壞了模型隨機擾動項的“源生性”。-在時間序列數(shù)據(jù)樣本下可以應用協(xié)整檢驗、

Granger

因果

統(tǒng)計檢驗等方法——數(shù)據(jù)導向。·

例如，消費總額和GDP之間的協(xié)整分析，金融深化與經(jīng)

濟發(fā)展之間的因果關(guān)系?！?/p>

經(jīng)濟關(guān)系與數(shù)據(jù)關(guān)系的不對稱性：數(shù)據(jù)關(guān)系只是經(jīng)濟關(guān)

系的必要條件，

不是充分條件。-分析經(jīng)濟活動中的動力學關(guān)系——關(guān)系論導向。·從關(guān)系論的角度看，主體的任何行為，都應在主體和其

身處的環(huán)境之間尋找原因?！そ?jīng)濟主體與其身處的環(huán)境之間的動力學過程，是真正的數(shù)據(jù)生成過程。一不遺漏顯著的變量?！?/p>

從“一般”開始，逐漸剔除不顯著變量；·

從“簡單”開始，逐漸引入其它變量?！?/p>

前者思路正確，后者容易遺漏顯著的變量。一考慮數(shù)據(jù)的可得性?！?/p>

注意因素和變量之間的聯(lián)系與區(qū)別。一考慮入選變量之間的關(guān)系。·

要求變量間互相獨立?！?/p>

確定模型的數(shù)學形式一利用經(jīng)濟學和數(shù)理經(jīng)濟學的成果一根據(jù)樣本數(shù)據(jù)作出的變量關(guān)系圖

一選擇可能的形式試模擬·

擬定模型中待估計參數(shù)的理論期望值區(qū)間一符號、大小、關(guān)系一例如：In(人均食品需求量)=a+βln

(人均收入)+yln(食品價格)+δln(其它商品價格)+ε其中α、β、Y、ō的符號、大小、關(guān)系·

以下的討論僅以經(jīng)典多元線性回歸模型(Classical

Multiple

Linear

Regression

Model)為對象：Y=β?+β?X?+β?X?i+…+βkXki+μ?i=1,2L,n二、樣本數(shù)據(jù)的收集·

幾類常用的樣本數(shù)據(jù)-Cross-sectional

Data-Time-series

Data-Panel

Data-Limited

Sampling

Data·

SelectiveSampling

Data-Truncation

Data-Censored

Data·

Duration

Data-Discrete

Data·

DiscreteChoice

Data·

Count

Data對于這些類型的數(shù)據(jù)，經(jīng)典模型不再適用。導

致微觀計量經(jīng)濟學模型

方法的發(fā)展?！rosS-sectional

Data-Stochastic

Sampling

Data·經(jīng)典計量模型理論以該類數(shù)據(jù)為基礎(chǔ)·Time-series

Data-Stationary

Time

Series·

適合于經(jīng)典計量模型-Nonstationary

Time

Series·

實際的時間序列往往是非平穩(wěn)的?！?/p>

不進行平穩(wěn)性檢驗而采用經(jīng)典模型是應用研究中

經(jīng)常發(fā)生的錯誤類型。-導致現(xiàn)代時間序列計量經(jīng)濟學的發(fā)展·

Panel

Data一只有在特殊情況下適合采用經(jīng)典計量模型。一不經(jīng)過檢驗而濫用經(jīng)典模型是應用研究中主要的錯

誤類型之一。一形成了獨立的計量經(jīng)濟學分支?！?/p>

數(shù)據(jù)質(zhì)量-完整性-準確性一

可比性-一致性三、模型參數(shù)的估計·

各種模型參數(shù)估計方法-LS,Least

Squares

Estimation·

OLS,GLS,2SLS,(3SLS)·

NL

S-ML,Maximum

Likelihood

Estimation·ML

,(LIML,FILM)-MM,Methodof

Moments·IV

,GMM·

如何選擇模型參數(shù)估計方法-需要對模型進行識別和檢驗，然后確定估計方法·

關(guān)于應用軟件的使用一課堂教學結(jié)合Eviews一能夠熟練使用一種四、模型的檢驗(1)經(jīng)濟意義檢驗一

根據(jù)擬定的符號、大小、關(guān)系，對參數(shù)估計結(jié)果的

可靠性進行判斷。一例如

：·In

(人均食品需求量)=-2.0—0.5

In(人均收入)一4.5In(食品價格)+0.8ln(其它商品價格)·In(人均食品需求量)=—2.0+0.5In(人均收入)一4.5In(食品價格)+0.8ln(其它商品價格)In(人均食品需求量)=—2.0+0.5In(人均收入)一0.8ln(食品價格)+0.8ln(其它商品價格)這三個結(jié)果中

，哪些可能的問題?(2)

統(tǒng)計檢驗一由數(shù)理統(tǒng)計理論決定。一主要包括：·

擬合優(yōu)度檢驗(Coefficient

of

Determination)·

總體顯著性檢驗(Overall

Significance

ofRegression)·

變量顯著性檢驗(Significance

of

Variables)(3)計量經(jīng)濟學檢驗一由計量經(jīng)濟學理論決定。一主要包括：·

異方差性檢驗(Heteroskedasticity)·

序列相關(guān)性檢驗(Serial

Correlation)·

共線性檢驗(Multi-collinearity)·

變量內(nèi)生性檢驗(endogenous

variables)(4)模型預測檢驗-由模型的應用要求決定。一包括

：·穩(wěn)定性檢驗：擴大樣本重新估計·

預測性能檢驗：對樣本外一點進行實際預測五、計量經(jīng)濟學模型成功的三要素·

理論·

數(shù)據(jù)·

方法§1.3

計量經(jīng)濟學模型的應用一、結(jié)構(gòu)分析二、經(jīng)濟預測三、政策評價四、理論檢驗與發(fā)展一

、結(jié)構(gòu)分析·

經(jīng)濟學中的結(jié)構(gòu)分析是對經(jīng)濟現(xiàn)象中變量之間

相互關(guān)系的研究?！?/p>

結(jié)構(gòu)分析所采用的主要方法是彈性分析、乘數(shù)

分析與比較靜力分析。·

計量經(jīng)濟學模型的功能是揭示經(jīng)濟現(xiàn)象中變量

之間的相互關(guān)系，即通過模型得到彈性、乘數(shù)

等?！?/p>

前提是模型設(shè)定和統(tǒng)計推斷都是正確的。二、經(jīng)濟預測·

計量經(jīng)濟學模型作為一類經(jīng)濟數(shù)學模型，是從

用于經(jīng)濟預測，特別是短期預測而發(fā)展起來的?！?/p>

計量經(jīng)濟學模型是以模擬歷史、從已經(jīng)發(fā)生的

經(jīng)濟活動中找出變化規(guī)律為主要技術(shù)手段?！τ诜欠€(wěn)定發(fā)展的經(jīng)濟過程，對于缺乏規(guī)范行

為理論的經(jīng)濟活動，計量經(jīng)濟學模型預測功能

失

效

?！つＰ屠碚摲椒ǖ陌l(fā)展以適應預測的需要?！?/p>

經(jīng)濟預測不應該成為計量經(jīng)濟學模型的主要應

用領(lǐng)域。三、政策評價·

經(jīng)濟政策不能實驗，計量經(jīng)濟學模型的“經(jīng)濟

政策實驗室”的功能所能夠產(chǎn)生的效用是巨大

的?！?/p>

只要求“相對性”結(jié)果，模型系統(tǒng)性偏差并不

出現(xiàn)在比較的結(jié)果中?！?/p>

政策評價應該成為計量經(jīng)濟學模型的主要應用領(lǐng)

域

。四、理論檢驗與發(fā)展·

實踐是檢驗真理的唯一標準?！?/p>

任何經(jīng)濟學理論，只有當它成功地解釋了過去，

才能為人們所接受?！?/p>

計量經(jīng)濟學模型提供了一種檢驗經(jīng)濟理論的好

方

法

?！?/p>

對理論假設(shè)的檢驗可以發(fā)現(xiàn)和發(fā)展理論?！?/p>

正確理解“證偽”和“證實”的不對稱性?！?.4

本書內(nèi)容安排說明一、關(guān)于經(jīng)典單方程計量經(jīng)濟學模型二、關(guān)于聯(lián)立方程計量經(jīng)濟學模型三、關(guān)于時間序列計量經(jīng)濟學模型四、關(guān)于非經(jīng)典截面數(shù)據(jù)計量經(jīng)濟學模型五、關(guān)于計量經(jīng)濟學應用模型一、關(guān)于經(jīng)典單方程計量經(jīng)濟學模型·

課程教學的基本要求和重點一本書第二、三、四章。一包括模型的基本概念、基本假設(shè)、參數(shù)估計、統(tǒng)計

檢驗、計量經(jīng)濟學檢驗等內(nèi)容。·

結(jié)合截面數(shù)據(jù)模型一全部例題和習題都采用截面數(shù)據(jù)為樣本。-

為什么?·經(jīng)典計量經(jīng)濟學模型的數(shù)學基礎(chǔ)。·避免與后續(xù)內(nèi)容的矛盾。二

、關(guān)于聯(lián)立方程計量經(jīng)濟學模型·

從第四版開始，刪除了聯(lián)立方程模型的內(nèi)容一應用較少。一聯(lián)立方程模型理論方法的核心內(nèi)容是內(nèi)生解釋變量問

題，可以納入其它章節(jié)。一課程學時的限制。三、關(guān)于時間序列計量經(jīng)濟學模型·

課程教學的基本要求和重點一

時間序列計量經(jīng)濟學模型的理論方法，無論是經(jīng)典的

和現(xiàn)代的，

一直是計量經(jīng)濟學模型理論方法的重要組

成部分

。應用廣泛。四、關(guān)于擴展的截面數(shù)據(jù)計量經(jīng)濟學模型·

為什么是非經(jīng)典?-受限被解釋變量—非獨立隨機一離散被解釋變量—非連續(xù)一綜合截面和時間序列——非單一截面·

應該成為本科課程教學內(nèi)容的一部分一經(jīng)典模型理論方法的擴展一廣泛的應用五、關(guān)于計量經(jīng)濟學應用模型·

本教科書相對有特色的一部分一關(guān)于計量經(jīng)濟學模型方法論的集中討論。-試圖將模型設(shè)定引入計量經(jīng)濟學課程教學。一對傳統(tǒng)的計量經(jīng)濟學教科書的實質(zhì)性改造。一是一種嘗試。第二章經(jīng)典單方程計量經(jīng)濟學模型：一元線性回歸模型本章內(nèi)容·

回歸分析概述·一元線性回歸模型的基本假設(shè)·一元線性回歸模型的參數(shù)估計·一元線性回歸模型的檢驗·

一元線性回歸模型的預測§2.1

回歸分析概述一、回歸分析基本概念二、總體回歸函數(shù)三、隨機干擾項四、樣本回歸函數(shù)一

、回歸分析的基本概念1、變量間的關(guān)系·

確定性關(guān)系或函數(shù)關(guān)系：研究的是確定性現(xiàn)象

非隨機變量間的關(guān)系。·

統(tǒng)計依賴或相關(guān)關(guān)系：研究的是非確定性現(xiàn)象

隨機變量間的關(guān)系。農(nóng)作物產(chǎn)量=

f(氣溫，降雨量，陽光，施肥量)圓面積

=fπ,

徑)=π·

半徑2·

對變量間統(tǒng)計依賴關(guān)系的考察主要是通過相

關(guān)

分

析(correlation

analysis)或回歸分析(regression

analysis)來完成的。·

相關(guān)分析適用于所有統(tǒng)計關(guān)系。

一相關(guān)系數(shù)(correlation

coefficient)

一正相關(guān)(positivecorrelation)一負相關(guān)(negativecorrelation)-不相關(guān)(non-correlation)·

回歸分析僅對存在因果關(guān)系而言。·

注

意

：-不存在線性相關(guān)并不意味著不相關(guān)。-存在相關(guān)關(guān)系并不一定存在因果關(guān)系。一

相關(guān)分析對稱地對待任何(兩個)變量，兩個變量

都被看作是隨機的。一回歸分析對變量的處理方法存在不對稱性，即區(qū)分

應變量(被解釋變量)和自變量(解釋變量),前

者是隨機變量，后者不一定是。2、

回歸分析的基本概念·

回歸分析(regressionanalysis)是研究一個

變量關(guān)于另一個(些)變量的具體依賴關(guān)系的

計算方法和理論?！?/p>

其

目

的在于通過后者的已知或設(shè)定值，去估計

和(或)預測前者的(總體)均值?！?/p>

兩類變量；-被解釋變量

(Explained

Variable)或應變量

(Dependent

Variable)。一解釋變量

(Explanatory

Variable)或自變量(Independent

Variable)?！?/p>

關(guān)于變量的術(shù)語-Explained

Variable～Explanatory

Variable-Dependent

Variable～

Independent

Variable-Endogenous

Variable～Exogenous

Variable-ResponseVariable～ControlVariable-Predicted

Variable~Predictor

Variable-Regressand～Regressor·回歸分析構(gòu)成計量經(jīng)濟學的方法論基礎(chǔ)，其主要內(nèi)容包括：一根據(jù)樣本觀察值對經(jīng)濟計量模型參數(shù)進行估計，求得

回歸方程；一對回歸方程、參數(shù)估計值進行顯著性檢驗；一利用回歸方程進行分析、評價及預測。二、總體回歸函數(shù)Population

Regression

Function,PRF1、條件均值

(conditionalmean)·

例2.1.1:一個假想的社區(qū)有99戶家庭組成，欲研究該社區(qū)每月家庭消費支出Y與每月家庭

可支配收入X

的關(guān)系。即如果知道了家庭的月收入，能否預測該社區(qū)家庭的平均月消費支出

水

平

。·

為達到此目的，將該99戶家庭劃分為組內(nèi)收入

差不多的10組，以分析每一收入組的家庭消費

支出

。每月家庭可支配收入X(元)800110014001700200023002600290032003500每月家庭消費支出Y561638869102312541408165019692090229959474891311001309145217381991213423216278149241144136415511749204621782530638847935968979101210451078112211551188121011551210124312541298133113641408143014851397140814741496149615621573160616501716159516501672168317161749177118041870194718041848188119251969201320352101211222002068210121892233224422992310226623542486255225852640262928602871共計2420495011495164451930520022387025025214502128515510表2.1.1某社區(qū)家庭每月收入與消費支出統(tǒng)計表(元)·

由于不確定因素的影響，對同一收入水平X,

不同家庭的消費支出不完全相同；·

但由于調(diào)查的完備性，給定收入水平X的消費支出Y的分布是確定的，即以X的給定值為條件的Y

的條件分布

(

Conditional

distribution)

是已知的，例如：

P(Y=561|X=800)=1/4?！?/p>

因此，給定收入X的值X,

可得消費支出Y

的條

件均值

(conditional

mean)

或條件期望(conditionalexpectation):E(Y|X=X;)?！?/p>

該例中：

E(Y

|X=800)=605·

描出散點圖發(fā)現(xiàn)：隨著收入的增加，消費“平

均地說”也在增加，且Y的條件均值均落在一

根正斜率的直線上。350030002500200015001000

85000500

10001500

2000

25003000每月可支配收入X

(

元

)每月消費支出(i,3500

4000(

元

)XJO(+o

ao

0

6*口口D-2、總體回歸函數(shù)·

在給定解釋變量X條件下被解釋變量Y的期望

軌跡稱為總體回歸線

(

populationregression

line),或更一般地稱為總體回歸

曲線

(population

regression

curve)?！?/p>

相應的函數(shù)稱為(雙變量)

總體回歸函數(shù)(population

regression

function,

PRF

)。E(Y|X)=f(X)·

含義：回歸函數(shù)

(PRF)說明被解釋變量Y的平均狀態(tài)(總體條件期望)隨解釋變量X變化

的規(guī)律?！?/p>

函數(shù)形式：可以是線性或非線性的?！窭?.1.1中，將居民消費支出看成是其可支配收

入的線性函數(shù)時：E(Y|X)=βo+β?X為線性函數(shù)。

其中，

β?

,β?是未知參數(shù)，稱為

回歸系數(shù)

(regression

coefficients)。三、隨機干擾項Stochastic

Disturbance·

總體回歸函數(shù)說明在給定的收入水平X下，該

社區(qū)家庭平均的消費支出水平?！?/p>

但對某一個別的家庭，其消費支出可能與該平

均水平有偏差。·

稱為觀察值圍繞它的期望值的離差(deviation),

是一個不可觀測的隨機變量，又稱為隨機擾動項

(

stochastic

disturbance)

或隨機誤差項(

stochastic

error)。μ=Y-E(Y|X)·例2.1.1中，給定收入水平X,

個別家庭的支出

可表示為兩部分之和：-該收入水平下所有家庭的平均消費支出E(Y|X;),

稱

為系統(tǒng)性

(systematic)

或確定性(deterministic)部分；-其他隨機或非確定性

(nonsystematic)

部分H?o Y;=E(Y|X;)+μ=βo+β?X;+μ;

●稱為總體回歸函數(shù)

(PRF)

的隨機設(shè)定形式。表明被解釋變量除了受解釋變量的系統(tǒng)性影響外，還受其他因素的隨機性影響。由于方程中引入了

隨機項，成為計量經(jīng)濟學模型，因此也稱為總體

回歸模型(PRM)

?！?/p>

隨機誤差項主要包括下列因素：-在解釋變量中被忽略的因素的影響；·影響不顯著的因素·

未知的影響因素·

無法獲得數(shù)據(jù)的因素-變量觀測值的觀測誤差的影響；-模型關(guān)系的設(shè)定誤差的影響；-其它隨機因素的影響。·

關(guān)于隨機項的說明：-將隨機項區(qū)分為“源生的隨機擾動”和“衍生

的隨機誤差”。-

“源生的隨機擾動”僅包含無數(shù)對被解釋變量

影響不顯著的因素的影響，服從極限法則(大

數(shù)定律和中心極限定理),滿足基本假設(shè)。“衍生的隨機誤差”包含上述所有內(nèi)容，并不

一定服從極限法則，不一定滿足基本假設(shè)。-在§7.3中將進一步討論。四、樣本回歸函數(shù)Sample

Regression

Function,SRF1、樣本回歸函數(shù)·

問題：能否從一次抽樣中獲得總體的近似信息?

如果可以，如何從抽樣中獲得總體的近似信息?·

在例2.1.1的總體中有如下一個樣本，能否從該樣本估計總體回歸函數(shù)?表2.1.3

家庭消費支出與可支配收入的一個隨機樣本X800110014001700200023002600290032003500Y59463811221155140815951969207825852530回答：能·

畫一條直線以盡好地擬合該散點圖，由于樣本取自總體，

可以該直線近似地代表總體回歸線。該直線稱為樣本回歸

線

(sample

regression

lines)?！颖净貧w線的函數(shù)形式為：300025002000150010005000800

1100

1400170020002300260029003200

3500稱為樣本回歸函數(shù)

(sampleregression

function,SRF)。Y=f(X)=β·

該樣本的散點圖

(scatter

diagram):每月可支配收入X

(

元

)每月消

費

支

出

Y

元十↓Y,=E(Y|X)+μ=βo+β?X;+Hi·

注意：這里將樣本回歸線看成總體回歸線的近似

替代則Y為

E(Y|X)

的估計量；β

為β的估計量，

i=(0,1)式中，ei稱

為(樣本)殘差(或剩余)項(residual),代表了其他影響Y的隨機因素的集合，可看成是；的估計量；?！?/p>

由于方程中引入了隨機項，成為計量經(jīng)濟模型，因此也稱為樣本回歸模型(sampleregressionmodel)。2、樣本回歸模型·

樣本回歸函數(shù)的隨機形式：·回歸分析的主要目的：

根據(jù)樣本回歸函數(shù)SRF,

估計總體回歸函數(shù)PRF。Y=Y

+e

Y?=E(Y|X)+μ=β?+β?X?+μ;這

就

要

求

：

設(shè)計一“方法”構(gòu)造

SRF,

以使SRF盡可

能“接近”PRF,或

者說使β?(i=0.1)盡

可

能

接

近β?(i=0,1)。圖2.1.3

總體回歸線與樣本回歸線的基本關(guān)系§2.2一元線性回歸模型參數(shù)的估計一、參數(shù)的普通最小二乘估計

(OLS)二、擬合優(yōu)度一、參數(shù)的普通最小二乘估計

(OLS)1、最小二乘原理·

根據(jù)被解釋變量的所有觀測值與估計值之差的

平方和最小的原則求得參數(shù)估計量?！槭裁慈∑椒胶?·

該關(guān)于參數(shù)估計量的線性方程組稱為正規(guī)方程組

(normal

equations)。2、正規(guī)方程組3、參數(shù)估計量·

求解正規(guī)方程組得到結(jié)構(gòu)參數(shù)的普通最小二乘及其離差形式：估計量

(ordinary

leastsquaresestimators)4、“估計量”

(estimator)

和“估計值”

(estimate)的區(qū)別·如果給出的參數(shù)估計結(jié)果是由一個具體樣本資料

計算出來的，它是一個“估計值”,或者“點估

計”,是參數(shù)估計量的一個具體數(shù)值；·

如果把上式看成參數(shù)估計的一個表達式，那么,則是Y

的函數(shù)，而Y

是隨機變量，所以參數(shù)估計也是隨機變量，在這個角度上，稱之為“估計

量”

。ETiews

-[Group:UHTITLEIFileEdit

QbjectYiew

ProcView

ProcObjectPrintNameFreezeDeobsYX1638.0000800.00002935.00001100.00031155.0001400.00041254.0001700.00051408.0002000.00061650.0002300.00071925.0002600.00082068.0002900.00092266.0003200.000102530.0003500.0005

、例題(采用Eviews進行OLS估計)·

數(shù)據(jù)Variable

Coefficient

Std.Error

t-Statistic

Prob.C

×142.40000.67000044.446730.0191893.20383534.915620.01250.0000R-squared

0.993481

Mean

dependent

var

1582.900Adjusted

R-squared

0.992666

S.D.dependent

var

610.5512S.E.of

regression

52.28814

Akaike

info

criterion

10.92827Sum

squared

resid

21872.40

Schwarz

criterion

10.98879Log

likelihood

-52.64136F-statistic

1219.101Durbin-Watson

stat1.677411

Prob(F-statistic)

0.000000ETievs

-[Equation:UHTITLEDForkfile

:UHTITLEDLU□File

Edit

View|Proc|objectQ

b

j

e

c

t

Yie

w

P

r

o

c

Q

ui

c

kOp

ti

o

ns

置i

n

d

o

w

H

el

pPrint|NameFreeze

EstimateForecast|stats|ResidsDependent

Variable:YMethod:Least

SquaresDate:09/28/15Time:16:38Sample:110Included

observations:10·

OLS估計二

、

擬合優(yōu)度回答

一個問題：如何度量樣本線上的點與實際觀測的樣本點到底有多“近”?Y,=β+β?Xy,=(Y,-Y)y;=Y-Y=(Y-Y)+(由回歸

直線解

釋的部分Y的i個觀測值與樣本均

值的離差1、總離差平方和的分解回歸直線不能

解釋的部分離差分解為兩

部分之和$,=(Y,-Y)是樣本回歸擬合值與觀測值的平均值之差，可認為是由回歸直線解釋的部分；e?=(Y?-Y)

是實際觀測值與回歸擬合值之差，是回歸直線不能解釋的部分。對于所有樣本點，則需考慮離差的平方和：∑y2=∑2+∑e2+

∑y;e=∑y2+∑

e;總體平方和

(Total

Sumof

Squares)回歸平方和

(ExplainedSum

of

Squares)殘差平方和

(ResidualSum

ofSquares)TSS=∑y2=∑(Y?-Y)2ESS=∑2=∑Y-Y)2RSS=∑e2=∑(Y?-Y)2記在給定樣本中，

TSS

不變，如果實際觀測點離樣本回歸線越近，則ESS

在

TSS

中占的比重越大，因此擬合優(yōu)度：回歸平方和ESS/Y的總離差TSSY的觀測值圍繞其均值的總離差(total

variation)

可分解為兩部分：

一部分來自回歸線(ESS),

另

一

部分則來自隨機勢力(RSS)。TSS=ESS+RSS·

是一個非負的統(tǒng)計量。取值范圍：[0,1]·

越接近1,說明實際觀測點離回歸線越近，擬合優(yōu)

度越高。·

隨著抽樣的不同而不同。為此，對可決系數(shù)的統(tǒng)

計可靠性也應進行檢驗，這將在第3章中進行。3、可決系數(shù)R2統(tǒng)計量

E

T

i

e

T

s

一[Equation

:U

HTITLE

D

Torkfile:U

TITLEDLFile

Edit

Qbject

Yiew

Proc

Quick

Options

Yindow

HelpView

Proc

Object

Print

Name

Freeze

Estimate

ForecastStats

ResidsDependent

Variable:YMethod:Least

SquaresDate:09/28/15

Time:16:58Sample:110Included

observations:10Variable

Coefficient

Std.Error

t-Statistic

Prob.C

X142.40000.67000044.446730.0191893.20383534.915620.01250.0000R-squaredAdjusted

R-squared

S.E.of

regressionSum

squared

residLog

likelihoodDurbin-Watson

stat0.993481

0.992666

52.28814

21872.40

-52.641361.677411Mean

dependent

varS.D.dependent

varAkaike

infocriterion

Schwarz

criterionF-statisticProb(F-statistic)1582.900610.551210.9282710.988791219.1010.000000·例題Y,～N(β?+βX?,o2)P(Y)=

√27

e

22(Y?-p?-B?x,)2LB?,β?,σ2)=P(Y,Y?,…,Y)工

2020Y?-p?-B?

e(2π)

On二Y

的分布Y的概率函數(shù)Y的所有樣

本觀測值的

聯(lián)合概率—

似然函數(shù)2、估計步驟L=In(L)=-nln(

√2πo)-2

。220x,-

β?

一β?∑(Y,-β-βX)2=0∑(Y;-β?-βX)2=06o=2×2Xx-=(2×)×B?=n2X2-(X2對數(shù)似然

函數(shù)對數(shù)似然函

數(shù)極大化的

一階條件結(jié)構(gòu)參數(shù)的ML

估計量3、討論·在滿足一系列基本假設(shè)的情況下，模型結(jié)構(gòu)參數(shù)的最大似然估計量與普通最小二乘估計量是相同的?！?/p>

但是，分布參數(shù)的估計結(jié)果不同。OLS:A2

—

2ML:

乙nETi

ews-

[Equation:

UHTITLED

orkfile:UHTITLEDYFileEditQbjectYiewProc

Quick

Options

Yindow

Help

ViewProcobject|Print

|NameFreezeEstimateForecast|statsResidsDependentVariable:YMethod:ML-Censored

Normal(TOBIT)(Quadratic

hill

climbing)Date:09/28/15Time:16:44Sample:110Included

observations:10Leftcensoring

(value)at

zeroConvergenceachieved

after5

iterationsCovariancematrixcomputedusing

second

derivativesCoefficientStd.Error

z-Statistic

Prob.×C142.40000.67000039.754370.0171633.58199639.036850.00030.0000ErrorDistributionSCALE:C3)

46.7679410.457634.472136

0.0000R-squaredAdjustedR-squaredS.E.ofregressionSum

squaredresid

Log

likelihoodAvg.log

likelihood0.993481

0.991618

55.89838

21872.40-52.64136

-5.264136Meandependent

varS.D.dependent

varAkaike

infocriterionSchwarzcriterionHannan-Quinn

criter.1582.900610.5512

11.12827

11.2190511.028694、例題·

ML估計三、參數(shù)估計的矩法(MM)·

矩估計的基本原理是用相應的樣本矩來估計總體

矩。-對一元線性回歸模型，在滿足基本假設(shè)時，存在兩個

總體矩條件。一相應的樣本矩條件構(gòu)成關(guān)于待估參數(shù)的正規(guī)方程組。-求解該方程組，得到參數(shù)估計。一參數(shù)估計與OLS估計相同。

-β?

β?

X

=01n工Cov(X,μ)=E(Xμ)=0·

由基本假設(shè)，寫出兩個總體矩條件·

相應的樣本矩條件構(gòu)成正規(guī)方程組E(μ)=0∑x,(Y-βo-βX,)=0n盈

E

T

i

e

v

s

-

[

E

q

u

a

t

i

o

n

:DHIITLED

Forkfile:UHTITLEDL

FileEdit

Qbject

Yi

ew

Proc

QuickOptions

in

dow

Help

ViewProc|ObjectPrintNameFreezeEstimateForecast|Stats

ResidsDependent

Variable:YMethod:Generalized

Methodof

MomentsDate:09/28/15Time:16:49Sample:110Included

observations:10Kernel:Bartlett,Bandwidth:Fixed(2),No

prewhiteningSimultaneous

weightingmatrix

&coefficientiterationConvergence

achieved

after:1weight

matrix,2

total

coef

iterationsInstrument

list:CXVariable

Coefficient

Std.Error

t-Statistic

Prob.C

X142.40000.67000045.730970.0161623.11386341.455230.01440.0000R-squaredAdjusted

R-squared

S.E.of

regressionDurbin-VWatson

stat0.993481

0.992666

52.288141.677411Mean

dependent

var

S.D.dependent

varSum

squared

resid

J-statistic1582.900610.551221872.401.22E-29·

MM

估計四、最小二乘估計量的性質(zhì)1、概述·

當模型參數(shù)估計出后，需考慮參數(shù)估計值的精

度，即是否能代表總體參數(shù)的真值，或者說需

考察參數(shù)估計量的統(tǒng)計性質(zhì)?！?/p>

準

則

：-線性性(linear),

即它是否是另一隨機變量的線性

函數(shù)

；-

無偏性(unbiased)

,

即它的均值或期望值是否等

于總體的真實值；-

有效性(efficient),

即它是否在所有線性無偏估計

量中具有最小方差?！?/p>

這三個準則也稱作估計量的小樣本性質(zhì)。擁有

這類性質(zhì)的估計量稱為最佳線性無偏估計量(best

liner

unbiased

estimator,BLUE)?！?/p>

當不滿足小樣本性質(zhì)時，需進一步考察估計量

的大樣本或漸近性質(zhì)(asymptoticproperties)

:-

漸近無偏性，即樣本容量趨于無窮大時，是否它的

均值序列趨于總體真值；-

一

致性，即樣本容量趨于無窮大時，它是否依概率

收斂于總體的真值；-漸近有效性，即樣本容量趨于無窮大時，是否它在

所有的一致估計量中具有最小的漸近方差。2

、

高斯

—

馬爾可夫定理(Gauss-Markovtheorem)·在給定經(jīng)典線性回歸的假定下，最小二乘估計

量是具有最小方差的線性無偏估計量?！?/p>

下面分別對最小二乘估計量的線性性、無偏性和有效性進行證明，作為不熟悉的同學的自學

內(nèi)容?！镒C

：

令

因

(x?-X)=0,

故

有1、線性性，即估計量β。、β

?

是Y,的線性組合。證：β?=易知

∑

k;X;=1故

B?=β+∑k,μE(β)=E(β?+∑k;μ)=β?+∑

k:E(μ)=β?同樣地，容易得出2、無偏性，即估計量β。、β的均值(期望)等于總體回歸

參數(shù)真值βo與β?3、有效性(最小方差性),

即在所有線性無偏估計量中，最小二乘估計量β?、β

?

具有最小方差。var(β?)=var(∑w,Y)=∑w2var(βo+β?X?+μ)=∑(1/n-Xk;)2σ2(1)先求β與β的方差(2)證明最小方差性假設(shè)β是其他估計方法得到的關(guān)于β1的線性無偏估計量：β?=∑cY其中，c=k?+d,d

為不全為零的常數(shù)則容易證明var(β)≥var(β)同理，可證明

βo的最小二乘估計量。具有最的小方差由于最小二乘估計量擁有一個“好”的估計量所應

具備的小樣本特性，它自然也擁有大樣本特性。如考察P的一致性五、參數(shù)估計量的概率分布及隨機干擾項方差的估計1、參數(shù)估計量的概率分布普通最小二乘估計量β?β分別是Y的線性組合，

因此，β和β的概率分布取決于Y的分布特征在μ是正態(tài)分布的假設(shè)下，Y是正態(tài)分布，則βo、β

也服從正態(tài)分布，因此2、隨機干擾項μ的方差σ2的估計·

σ2又稱為總體方差。·

由于隨機項μ不可觀測，只能從μ的估計

—

—

殘

差e出發(fā)，對總體方差進行估計。·

可以證明，σ2的最小二乘估計量為：它是關(guān)于σ2的無偏估計量?！?/p>

σ2的最大或然估計量不具無偏性，但卻具有一

致性?！?/p>

在最大或然估計法中，求解似然方程：§2

.

3基本假設(shè)與OLS

估計量的統(tǒng)計性質(zhì)一、一元線性回歸模型的基本假設(shè)二、OLS估計量的統(tǒng)計性質(zhì)一、一元線性回歸模型的基本假設(shè)·

為保證參數(shù)估計量具有良好的性質(zhì)，通常對模型

提出若干基本假設(shè)?！?/p>

實際上這些假設(shè)與所采用的估計方法緊密相關(guān)?！?/p>

下面的假設(shè)主要是針對采用普通最小二乘法(Ordinary

Least

Squares,OLS)

估計而提出的。所以，在有些教科書中稱為

“TheAssumption

Underlying

the

Method

of

LeastSquares”。·

在不同的教科書上關(guān)于基本假設(shè)的陳述略有不同，

下面進行了重新歸納。1、關(guān)于模型關(guān)系的假設(shè)·

模型設(shè)定正確假設(shè)。Theregression

modeliscorrectly

specified一模型選擇了正確的變量；一模型選擇了正確的函數(shù)形式?！?/p>

線性回歸假設(shè)。The

regressionmodel

is

linearin

theparameters一只針對線性模型Y,=βo+β?X

+μ

i注意：

“l(fā)inear

in

the

parameters”的含義是什么?2、關(guān)于解釋變量的假設(shè)·

樣本觀測值變異性假設(shè)。Xvalues

inagivensample

must

notall

be

the

same·

樣本方差假設(shè)。隨著樣本容量的無限增加，解釋變量X

的樣本方

差趨于一有限常數(shù)?！?X,-X)2/n→Q,

n→0·

隨機干擾項的條件零均值假設(shè)意味著μ的期望不依賴于X的觀測值，總為常數(shù)零，也表明μ與X不

存在任何形式的相關(guān)性。因此該假設(shè)成立時稱X為

外生解釋變量(exogenous

explanatoryvariable),

否則稱X

為內(nèi)生解釋變量(endogenous

explanatory

variable)。3、

關(guān)于隨機項的假設(shè)·

零均值假設(shè)?！he

conditional

mean

value

of

μi

is

zero.E(μX)=0,i=1,2…,n·同方差假設(shè)。Theconditionalvariancesofμi

are

identical.(Homoscedasticity)Var(μX)=σ2,i=1,2,L,n是否滿足需要檢驗。Cov(μ?,μ,X,,X)=0,i,j=1,2,L,n,i≠j

The

correlation

between

any

two

μ:and

μ:is4、

隨機項的正態(tài)性假設(shè)·

在利用參數(shù)估計量進行統(tǒng)計推斷時，需要假設(shè)

隨機項的概率分布。一般假設(shè)隨機項服從正態(tài)分布·

正態(tài)性假設(shè)?！heμ'sfollow

thenormal