新能源汽車維護全套教學課件合集_第1頁
新能源汽車維護全套教學課件合集_第2頁
新能源汽車維護全套教學課件合集_第3頁
新能源汽車維護全套教學課件合集_第4頁
新能源汽車維護全套教學課件合集_第5頁
已閱讀5頁,還剩957頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

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·

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

?!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。

:·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”

。-

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)

。-

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)“

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

?!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)

。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

?!?/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)

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。·

:-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>

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

。·

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

(

)每月消費支出(i,3500

4000(

)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;),

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

(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

(

)每月消

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

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

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

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),

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>

:-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;-

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

(x?-X)=0,

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

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

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

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論