多元线回归模型的统计检验-资料.ppt

多元线回归模型的统计检验-资料
一、拟合优度检验
1、可决系数与调整的可决系数
则
总离差平方和的分解
由于
=0
所以有：
注意：一个有趣的现象
可决系数
该统计量越接近于1，模型的拟合多元线回归模型的统计检验-资料
一、拟合优度检验
1、可决系数与调整的可决系数
则
总离差平方和的分解
由于
=0
所以有：
注意：一个有趣的现象
可决系数
该统计量越接近于1，模型的拟合优度越高。
问题：
在应用过程中发现，如果在模型中增加一个解释变量， R2往往增大（Why?)
这就给人一个错觉：要使得模型拟合得好，只要增加解释变量即可。
但是，现实情况往往是，由增加解释变量个数引起的R2的增大与拟合好坏无关，R2需调整。
调整的可决系数（adjusted coefficient of determination）
在样本容量一定的情况下，增加解释变量必定使得自由度减少，所以调整的思路是:将残差平方和与总离差平方和分别除以各自的自由度，以剔除变量个数对拟合优度的影响:
其中：n-k-1为残差平方和的自由度，n-1为总体平方和的自由度。
*2、赤池信息准则和施瓦茨准则
为了比较所含解释变量个数不同的多元回归模型的拟合优度，常用的标准还有:
赤池信息准则（Akaike information criterion, AIC）
施瓦茨准则（Schwarz criterion，SC）
这两准则均要求仅当所增加的解释变量能够减少AIC值或AC值时才在原模型中增加该解释变量。
Eviews的估计结果显示：
中国居民消费一元例中：
AIC= AC=
中国居民消费二元例中：
AIC= AC=
从这点看，可以说前期人均居民消费CONSP(-1)应包括在模型中。
二、方程的显著性检验(F检验)
方程的显著性检验，旨在对模型中被解释变量与解释变量之间的线性关系在总体上是否显著成立作出推断。
1、方程显著性的F检验
即检验模型
Yi=0+1X1i+2X2i+  +kXki+i i=1,2, ,n
中的参数j是否显著不为0。
可提出如下原假设与备择假设：
H0： 0=1=2=  =k=0
H1： j不全为0
三、变量的显著性检验（t检验）
方程的总体线性关系显著每个解释变量对被解释变量的影响都是显著的
因此，必须对每个解释变量进行显著性检验，以决定是否作为解释变量被保留在模型中。
这一检验是由对变量的 t 检验完成的。
1、t统计量
由于
以cii表示矩阵(X’X)-1 主对角线上的第i个元素，于是参数估计量的方差为：
其中2为随机误差项的方差，在实际计算时，用它的估计量代替:
因此，可构造如下t统计量
2、t检验
设计原假设与备择假设：
H1：i0
给定显著性水平，可得到临界值t/2(n-k-1)，由样本求出统计量t的数值，通过
|t| t/2(n-k-1) 或 |t|t/2(n-k-1)
来拒绝或接受原假设H0，从而判定对应的解释变量是否应包括在模型中。
H0：i=0 （i=1,2…k）
注意：一元线性回归中，t检验与F检验一致
一方面，t检验与F检验都是对相同的原假设H0：1=0 进行检验;
另一方面，两个统计量之间有如下关系：
在中国居民人均收入-消费支出二元模型例中，由应用软件计算出参数的t值：
给定显著性水平=，查得相应临界值： (19) =。
可见，计算的所有t值都大于该临界值，所以拒绝原假设。即:
包括常数项在内的3个解释变量都在95%的水平下显著，都通过了变量显著性检验。
四、参数的置信区间
参数的置信区间用来考察：在一次抽样中所估计的参数值离参数的真实值有多“近”。
在变量的显著性检验中已经知道：
容易推出：在(1-)的置信水平下i的置信区间是
其中，t/2为显著性水平为 、自由度为n-k-1的临界值。
在中国居民人均收入-消费支出二元模型例中,
给定=，查表得临界值：(19)=
计算得参数的置信区间：
0 ：(, )
1 ： (