下载文档原格式
古扎拉蒂《计量经济学基础》复习笔记和课后习题详解（多元回归分析：推断问题）【圣才出品】第8章多元回归分析：推断问题8.1 复习笔记考点一：再议正态性假定★当回归模型的参数用于估计和推断两个方面时，还需要假定u i服从正态性假定，即：u i～N（0，σ2）。
在三变量模型中，偏回归系数的OLS估计量与ML估计量一致，是最优线性无偏估计量（BLUE）。
参数估计量也是正态分布的，且（n－3）（σ∧2/σ2）～χ2（n－3）。
参数的t值均服从自由度为n－3的t分布。
t分布可用于构造置信区间并进行假设检验。
χ2分布可用于检验关于真实σ2的假设。
考点二：多元回归中的假设检验的多种形式★1．检验个别偏回归系数的假设。
2．检验估计的多元回归模型的总体显著性，即判别全部偏斜率系数是否同时为零。
3．检验两个或多个系数是否相等。
4．检验偏回归系数是否满足某种约束条件。
5．检验所估计的回归模型在时间上或在不同横截面单元上的稳定性。
6．检验回归模型的函数形式是否正确。
考点三：检验关于个别偏回归系数的假设★★t检验的程序是基于随机误差项u i服从正态分布的假定。
检验方法：给定一个特定的显著性水平α，当t值超过临界值tα/2（df），则拒绝原假设。
或使用p值判断，当p足够小，则拒绝原假设。
参数β∧2的（1－α）置信区间为：（β∧2－tα/2se（β∧2），β∧2＋tα/2se（β∧2））。
由于不能直接观测u i，所以利用代理变量u∧i，即残差。
残差的正态性可进行雅克-贝拉（JB）检验（大样本检验）。
考点四：检验样本回归的总体显著性★★★★★1．总体显著性检验（1）定义总体显著性检验的原假设为：H0：β2＝β3＝0。
也就是检验Y是否与X2和X3存在线性关系。
（2）总体显著性检验与个别显著性检验检验个别显著性时，隐含地假定每一个显著性检验都是根据一个不同的（即独立的）样本进行的。
如果用同一样本数据去进行联合检验，就违反了检验方法所依据的基本假定。
第15章定性响应回归模型15.1 复习笔记考点一：定性响应模型的性质★★定性响应模型是指模型中的回归子是一个二值或二分变量的模型，通常被称为概率模型。
回归子也可以是多分响应变量或多类型响应变量。
将二值响应变量建立成概率模型的方法包括线性概率模型（LPM）、logit模型、probit模型和tobit模型。
考点二：线性概率模型（LPM）★★★★1．LPM的定义以下述回归模型为例说明：Y i＝β1＋β2X i＋u i。
其中X表示家庭收入；Y＝1，则表示该家庭拥有住房；Y＝0，则该家庭不拥有住房。
该模型被称为线性概率模型，因为Y i在给定X i下的条件期望E（Y i|X i）可解释为在给定X i下事件（家庭拥有住房）发生的条件概率，即Pr（Y i＝1|X i）。
2．LPM的特征令P i表示“Y i＝1”（即事件发生）的概率，而1－P i表示“Y i＝0”（即事件不发生）的概率，则变量Y i服从贝努利概率分布。
根据期望的定义，有：E（Y i）＝0（1－P i）＋1P i＝P i。
此外有：E（Y i|X i）＝β1＋β2X i ＝P i，即模型的条件期望事实上可以解释为Y i的条件概率。
该模型的约束条件为：0≤E（Y i|X i）≤1。
3．LPM的问题（1）干扰项u i的非正态性若把方程写成：u i＝Y i－β1－β2X i，u i的概率分布见表15-1。
表15-1 u i的概率分布可见u i服从贝努利分布而不是正态分布。
虽然干扰项不满足正态性假定，但OLS的点估计值仍具有无偏性。
此外在大样本下，OLS估计量一般都趋于正态分布，因此LPM的统计推断仍可用正态性假定下的OLS程序。
（2）干扰项的异方差性即使LPM中的干扰项满足零均值和无序列相关性假定，但也不能说它具有同方差性。
对于贝努利分布，理论上的均值和方差分别为P和P（1－P），可见方差是均值的函数，而均值的取值依赖于X的值，因此LPM中的干扰项具有异方差性。
