下载文档原格式
第三节 多元线性相关与回归分析一、标准的多元线性回归模型上一节介绍的一元线性回归分析所反映的是１个因变量与１个自变量之间的关系。
但是，在现实中，某一现象的变动常受多种现象变动的影响。
例如，消费除了受本期收入水平的影响外，还会受以往消费和收入水平的影响；一个工业企业利润额的大小除了与总产值多少有关外，还与成本、价格等有关。
这就是说，影响因变量的自变量通常不是一个，而是多个。
在许多场合，仅仅考虑单个变量是不够的，还需要就一个因变量与多个自变量的联系来进行考察，才能获得比较满意的结果。
这就产生了测定与分析多因素之间相关关系的问题。
研究在线性相关条件下，两个和两个以上自变量对一个因变量的数量变化关系，称为多元线性回归分析，表现这一数量关系的数学公式，称为多元线性回归模型。
多元线性回归模型是一元线性回归模型的扩展，其基本原理与一元线性回归模型相类似，只是在计算上比较麻烦一些而已。
限于本书的篇幅和程度，本节对于多元回归分析中与一元回归分析相类似的内容，仅给出必要的结论，不作进一步的论证。
只对某些多元回归分析所特有的问题作比较详细的说明。
多元线性回归模型总体回归函数的一般形式如下：t kt k t t u X X Y ++⋯++=βββ221 (7.51)上式假定因变量Y 与(k-1)个自变量之间的回归关系可以用线性函数来近似反映.式中，Y t 是变量Y 的第ｔ个观测值；X jt 是第j 个自变量X j 的第ｔ个观测值(j=1,2,……，k)；u t 是随机误差项；β1，β2，… ，βk 是总体回归系数。
βj 表示在其他自变量保持不变的情况下，自变量X j 变动一个单位所引起的因变量Y 平均变动的数额，因而又叫做偏回归系数。
该式中，总体回归系数是未知的，必须利用有关的样本观测值来进行估计。
假设已给出了ｎ个观测值，同时1ˆβ，2ˆβ…，k βˆ为总体回归系数的估计，则多元线性回归模型的样本回归函数如下：t kt k t t e X X Y ++⋯++=βββˆˆˆ221 (7.52)(t ＝1,2,…,n)式中，e t 是Y t 与其估计t Y ˆ之间的离差，即残差。
《计量经济学》课程标准1. 课程的性质与设计思路1.1课程的性质《计量经济学》是教育部规定经济类专业核心课程之一, 是经济类专业的专业必修课。
在经济类的各个专业的教学中占有非常重要的地位。
《计量经济学》课程的主要特点是理论与实际应用并重, 既要认真学习基本理论知识, 又要注重经济计量方法在实践中的应用。
在教学中可以抛开复杂的数学计算以及繁琐的推导和证明, 但要将深入浅出的理论分析贯彻始终。
其目的是, 通过学习、掌握计量经济学的基本原理和常用方法, 研究经济中的有关问题, 训练学生运用计量方法、经济计量模型进行创造的思维方法。
并在此基础上, 培养学生利用经济计量学的方法, 学习和实践现代经济学的基本理论以及用定量的方法分析、解决实际经济生活中有关经济学问题的能力。
课程在内容与应用上与概率论与数理统计、统计学、时间序列分析、经济学等课程有关联。
所以, 学习本课程, 必须要先学习《微积分》、《线性代数》、《概率论和数理统计》、《西方经济学》等课程, 同时, 学习者要关注在经济计量学领域的一些最新发展。
只有这样, 才能在更好地理解和掌握课程内容与方法的基础上使经济计量模型的应用更具实践性。
1.2设计思路《计量经济学》建立在经济、统计学和数理统计的基础上, 是经济学中的一门重要的独立学科。
计量经济学结合数量方法来对经济活动进行认识分析, 并辅助于计算机专门软件, 具有较强的应用性和可操作性。
本课程主要介绍了计量经济学的一般概念及工作步骤、模型估计的基本方法、模型检验与修正方法, 典型计量经济模型专题讨论、联立方程组模型的基本知识（包括模型的识别、估计、检验及应用）、计量经济模型的应用案例。
学生在学习本课程之前, 应先学习了《微积分》、《线性代数》、《经济学》（包含微观经济学和宏观经济学）、《概率论与数理统计》和《经济统计学》等课程。
教师在讲授本课程时, 首先应特别注重对经济理论的认识和经济现象的分析, 强调已学的《经济学》基础；其次突出计量经济建模基本思想的讲授, 侧重在计量经济学研究对象的理解和《经济学》、《经济统计学》与《数学》相结合的知识背景上；再次应避免在理论部分的繁杂的纯数学证明, 但对于表述基本原理和模型应用分析中的数学推导是必要的, 故应强调《微积分》、《线性代数》与《概率论与数理统计》的基础知识；最后应加强对计量经济学概念的总结和应用实例的分析, 包括计量经济专门分析软件（Eviews）的应用操作。
第二章 线性回归模型回顾与拓展 （12-15学时）第四节 三大检验（LR Wald LM ） 一、极大似然估计法（ML ）（一）极大似然原理假设对于给定样本{},Y X ,其联合概率分布存在，(),;f Y X ξ。
将该联合概率密度函数视为未知参数ξ的函数，则(),;f Y X ξ称为似然函数（Likelihood Function ）。
极大似然原理就是寻找未知参数ξ的估计ˆξ，使得似然函数达到最大，或者说寻找使得样本{},Y X 出现的概率最大ˆξ。
（二）条件似然函数VS 无条件似然函数()()(),;;;f Y X f Y X f X ξθϕ=若θ与ϕ没有关系，则最大化无条件似然函数(),;f Y X ξ等价于分别最大化条件似然函数();f Y X θ和边际似然函数();f X ϕ，从而θ的最大似然估计就是最大化条件似然函数();f Y X θ。
（三）线性回归模型最大似然估计Y X u β=+，2(0,)u N I σ→2222()()(,;,)(2)exp{}2nY X Y X L Y X βββσπσσ-'--=-对数似然函数：22()()2222n n Y X Y X l LnL Ln Ln ββπσσ'--==---于是 22241ˆ(22)0ˆˆ21ˆˆ()()0ˆˆˆ22l X Y X X l n Y X Y X βσβββσσσ∂⎧''=--+=⎪⎪∂⎨∂⎪'=-+--=⎪∂⎩得到 12ˆ()1ˆMLML X X X Y e e n βσ-⎧''=⎪⎨'=⎪⎩（三）得分（Score ）和信息矩阵（Information Matrix ）(;,)lf Y X θθ∂=∂称为得分； 12...k l l l l θθθθ∂⎡⎤⎢⎥∂⎢⎥∂⎢⎥⎢⎥∂⎢⎥∂⎢⎥=∂⎢⎥⎢⎥⎢⎥⎢⎥∂⎢⎥⎢⎥∂⎣⎦得分向量；（Gradient ） 海瑟矩阵（Hessian Matrix ）:2l H θθ∂='∂∂信息矩阵：三*、带约束条件的最小二乘估计（拉格朗日估计）在计量经济分析中，通常是通过样本信息对未知参数进行估计。
