计量经济学 —理论·方法·EViews应用.doc

《计量经济学 —理论·方法·EViews应用.doc》由会员分享，可在线阅读，更多相关《计量经济学 —理论·方法·EViews应用.doc（57页珍藏版）》请在三一办公上搜索。

1、计量经济学 理论方法EViews应用 计量经济学理论方法EViews应用 郭存芝 杜延军 李春吉 编著电子教案 第二章 一元线性回归模型 学习目的 理解回归模型的概念，学会对一元线性回归模型进行参数估计、检验和预测，为多元线性回归模型的学习打下基础。 基本要求 1) 理解样本回归模型、总体回归模型的概念； 2) 掌握一元线性回归模型的普通最小二乘参数估计方法，了解一元线性回归模型的基本假设、一元线性回归模型的最大似然参数估计方法、一元线性回归模型的普通最小二乘参数估计量与样本回归线的性质、一元线性回归模型随机误差项方差的估计； 3) 学会对一元线性回归模型进行拟合优度检验，对一元线性回归模型的

2、参数进行区间估计和假设检验； 4) 学会进行一元线性回归模型被解释变量的总体均值和个别值预测； 5)学会利用Eviews软件进行一元线性回归模型的参数估计、检验和预测。第二章 一元线性回归模型 相关分析与回归分析第一节 回归模型概述 随机误差项 总体回归模型 样本回归模型 11. 经济变量之间的关系 一、相关分析与回归分析 计量经济研究是对经济变量之间关系的研究，针对某一具体经济问题展开研究时，首先需要考察的就是相关经济变量之间有没有关系、有什么样的关系。 确定的函数关系 不确定的相关关系 经济变量之间的关系 函数关系 指某一经济变量可直接表示为其他经济变量的确定的函数，函数表达式中没有未知参

3、数，不存在参数估计的问题。 1) 某一商品的销售收入Y与单价P、销售数量Q之间的关系Y = PQ 2) 某一农作物的产量Q与单位面积产量q 、种植面积S之间的关系Q = q S例如: 相关关系 指不同经济变量的变化趋势之间存在某种不确定的联系，某一或某几个经济变量的取值确定后，对应的另一经济变量的取值虽不能唯一确定，但按某种规律有一定的取值范围。 居民消费C与可支配收入Y之间的关系，可支配收入的取值确定后，消费的取值虽不能唯一确定，但有一定的取值范围，0 < C < Y ，遵循边际消费倾向递减的规律。居民消费C与可支配收入Y之间的关系可表示为C = ? + ? Y，? 、?为待估参

4、数。例如: 相关关系的表达式一般表示为含有未知参数的函数形式，需要进行参数估计。 相关关系的分类 a)按照涉及的变量的数量 单相关(一元相关)复相关(多元相关)- 指两个经济变量之间存在的相关关系 - 指多个经济变量之间存在的相关关系,可能是几个经济变量的某种综合效果与一个经济变量有趋势方面的联系。 相关关系的分类 b)按照相关的程度 完全相关不完全相关不相关介于完全相关与不相关之间的情况。 极强的相关关系 ,指某一或某几个经济变量的取值确定后，对应的另一经济变量的取值能唯一确定，实际上是确定的函数关系，所以函数关系可看作是相关关系的特例。 极弱的相关关系,指某一或某几个经济变量的取值确定后，

5、对应的另一经济变量不仅取值不能唯一确定，而且取值范围也不能确定。 相关关系的分类 c)按照相关的性质正相关负相关指不同经济变量的变化趋势一致，即一个经济变量的取值由小变大时，另一经济变量的取值也由小变大； 指不同经济变量的变化趋势相反，即一个经济变量的取值由小变大时，另一经济变量的取值由大变小。 相关关系的分类 c)按照相关的性质线性相关非线性相关指相关变量之间的关系可由线性函数近似表示，即由相关变量的取值绘制的散点图趋向于直线形式； 指相关变量之间的关系可由某种非线性函数近似表示，即由相关变量的取值绘制的散点图趋向于某种曲线形式。函数关系与相关关系的区别 确定的函数关系可以直接用于经济活动，

6、无需分析。 不确定的相关关系，隐含着某种经济规律，是有关研究的重点 2. 相关分析 一、相关分析与回归分析 研究变量之间的相关关系的形式和程度的一种统计分析方法，主要通过绘制变量之间关系的散点图和计算变量之间的相关系数进行。 绘制变量之间关系的散点图例如: 判断相关关系是线性相关还是非线性相关、正相关还是负相关；计算变量之间的相关系数度量变量之间的线性相关的程度、判断线性相关关系是正相关还是负相关 相关系数 十九世纪末英国著名统计学家卡尔皮尔逊（Karl Pearson）度量两个变量之间的线性相关程度的简单相关系数（简称相关系数）两个变量X和Y的总体相关系数为其中，是变量X、Y的协方差，、分别

7、是变量X、Y的方差。（2-1）（2-2） （2-3） 如果给定变量X、Y 的一组样本 ，则总体相关系数的估计样本相关系数为n ， 或相关系数的取值介于?11之间， 取值为负表示两变量之间存在负相关关系； 取值为正表示两变量之间存在正相关关系； 取值为?1表示两变量之间存在完全负相关关系； 取值为0表示两变量不相关； 取值为1表示两变量之间存在完全正相关关系。 3. 回归分析 研究不仅存在相关关系而且存在因果关系的变量之间的依存关系的一种分析理论与方法，是计量经济学的方法论基础， 主要内容 1）设定理论模型，描述变量之间的因果关系；2）根据样本观察数据利用适当方法对模型参数进行估计， 得到回归方

8、程； 3）对回归方程中的变量、方程进行显著性检验，推求参数 的置信区间、模型的预测置信区间；4）利用回归模型解决实际经济问题。例如: 居民消费C与可支配收入Y之间不仅存在相关关系而且存在因果关系，不仅可以利用相关分析研究两者之间的相关程度，还可以利用回归分析研究两者之间的具体依存关系。可以将C作为被解释变量、Y作为解释变量，根据相关经济理论，设定含有待估参数? 、? 的理论模型C = ? + ? Y，估计模型中的参数? 、? ，得到回归方程，进行相关统计检验和推断，利用回归模型进行结构分析、经济预测、政策评价等。 4. 相关分析与回归分析之间的关系联系： 1）都是对存在相关关系的变量的统计相关

9、关系的研究；2）都能测度线性相关程度的大小；3）都能判断线性相关关系是正相关还是负相关。 区别： 1）相关分析仅仅是从统计数据上测度变量之间的相关程度， 不考虑两者之间是否存在因果关系，因而变量的地位在相 关分析中是对等的； 回归分析是对变量之间的因果关系的分析，变量的地位是 不对等的，有被解释变量和解释变量之分。 2）相关分析主要关注变量之间的相关程度和性质，不关注变 量之间的具体依赖关系。 回归分析在关注变量之间的相关程度和性质的同时，更关注变量 之间的具体依赖关系，因而可以深入分析变量间的依存关系，有 可能达到掌握其内在规律的目的，具有更重要的实践意义。二、随机误差项含有随机误差项是计量

10、经济学模型与数理经济模型的一大区别。 例如: 对于供给不足下的生产活动，可以认为产出是由资本、劳动、技术等投入要素决定的，并且，一般情况下，产出随着投入要素的增加而增加，但要素的边际产出递减。 数理经济模型用确定性的函数描述经济变量之间的理论关系，对这一经济活动，笼统地描述为或具体地用某一种生产函数描述为其中， Q表示产出，T表示技术，K表示资本，L表示劳动， A、是未知参数。 二、随机误差项含有随机误差项是计量经济学模型与数理经济模型的一大区别。 例如: 对于供给不足下的生产活动，可以认为产出是由资本、劳动、技术等投入要素决定的，并且，一般情况下，产出随着投入要素的增加而增加，但要素的边际产

11、出递减。 计量经济学模型用随机方程揭示经济变量之间的因果关系，对于这一经济活动，与上述数理经济模型相对应，描述为或描述为对数线性函数形式其中，是随机误差项。随机误差项称为随机扰动项或随机干扰项（stochastic disturbance） 一般用希腊字母或表示存在原因 第一，人类的经济行为本身带有随机性； 第二，通常一个变量总是受众多因素的影响； 第三，任何函数反映经济变量之间的关系都只是一种简化反映； 第四，经济数据来源于调查统计，而非严格的控制实验； 结论 一个经济变量通常不能被另一个经济变量完全精确地决定，需要引入随机误差项来反映各种误差的综合影响，主要包括： 1）变量的内在随机性的影

12、响；2）解释变量中被忽略的因素的影响； 3）模型关系设定误差的影响； 4）变量观察值的观察误差的影响；5）其他随机因素的影响。 三、总体回归模型1总体回归曲线与总体回归函数 给定解释变量条件下被解释变量的期望轨迹称为总体回归曲线（population regression curve），或总体回归线（population regression line）。 描述总体回归曲线的函数称为总体回归函数（population regression function）。对于只有一个解释变量X的情形，总体回归函数为（2-4）与之对应，是X的函数。，都有被解释变量Y的条件期望表示对于解释变量X的每一个取值

13、对于含有多个解释变量 、 、 、 的情形，总体回归函数为（2-5）表示对于解释变量的每一组取值，都有被解释变量Y的条件期望与之对应，是的函数。 、 、 、 、 、 、例2-1 假设一个由100个家庭构成的总体，并假设这100个家庭的月可支配收入水平只限于1300元、1800元、2300元、2800元、3300元、3800元、4300元、4800元、5300元、5800元10种情况，每个家庭的月可支配收入与消费数据如表2-1所示，要研究这一总体的家庭月消费支出Y与家庭月可支配收入X之间的关系，以便根据已知的家庭月可支配收入水平测算该总体的家庭月消费支出平均水平。30223156340136692

14、765285329003021306531463278330534232436258826722736280128932902302731553260219722862315238624672581262326772710298530043082311931021966204821222213231523572369239824522501253425682610265927231788183518721903196520612157220622892314239024262458247825431455150116351728178918351886194320332178229423512

15、41011281167123112881371143914521533159716761793112012081256132714391584103311261207消费支出Y5800530048004300380033002800230018001300可支配收入X表2-1 100个家庭的月可支配收入与消费数据 单位：元 家庭消费支出主要取决于家庭可支配收入，但不是唯一取决于家庭可支配收入，还会受到其他各种不确定性因素的影响，因而可支配收入相同的不同家庭的消费支出各不相同。 由于是对总体的考察，由表2-1可求得家庭可支配收入X为某一特定数值时家庭消费支出Y的条件分布（conditional

16、distribution）例如，X=2300条件下，Y=1371的条件概率等于1/11，即 由此可求得对应于家庭可支配收入X的各个水平的家庭消费支出Y的条件 均值（conditional mean）或称为条件期望（conditional expectation）， 如表2-2所示。析： 表2-2 100个家庭的月可支配收入与消费数据 单位：元 3312308428472681238921791926142513241122E（Y/Xi）5800530048004300380033002800230018001300可支配收入X 由表2-1、表2-2中的数据绘制不同可支配收入家庭的消费支出散点图

17、、家庭消费支出与可支配收入关系的总体回归曲线，如图2-1所示。 从散点图可以清晰地看出，不同家庭的消费支出虽然存在差异，但总体趋势随可支配收入的增加而增加，总体回归曲线反映了这一趋势。 事实上，经济活动中的总体包含的个体的数量往往非常多，一般不大可能像例2-1假设的那样得到总体中所有个体的观察数据，因此也就不大可能依据总体的所有观察数据计算得到被解释变量Y的条件期望，无法画出精确的总体回归曲线，相应地，总体回归函数的具体形式也无法精确确定。所以，对于总体回归函数，通常只能根据经济理论或实践经验进行设定，也就是说，通常需要对总体回归函数作出合理的假设。 2总体回归模型 可由其期望值 和随机误差项

18、 表示为 对于只有一个解释变量X的情形，第i个个体的被解释变量的观察值 （2-6）（2-7） 可由其期望值 和随机误差项 表示为 对于含有多个解释变量 的情形，第i个个体的被解释变量的观察值 、 、 、（2-6）或式（2-7）是总体回归函数的个别值表示方式，因为引入了随机误差项，称为总体回归函数的随机设定形式，也是因为引入了随机误差项，成为计量经济学模型，称为总体回归模型（population regression model）。 或 ，是 或 对应的的平均状态，反映解释变量对被解释变量的影响，称为系统性（systematic） 部分或确定性（deterministic）部分；另一部分是随机误

19、差项 ，是观察值 围绕它的期望值 或反映解释变量之外的诸多随机因素对被解释变量的影响，称为非系统性（nonsystematic）部分或随机（stochastic）部分。 总体回归模型中，观察值 是两部分之和，一部分是 的期望值的离差（deviation），3线性总体回归模型确定性部分为线性函数的总体回归模型称为线性总体回归模型。 线性总体回归模型是计量经济学中最常见的总体回归模型。 只含有一个解释变量的线性总体回归模型称为一元线性总体回归模型，简称一元线性回归模型或简单线性回归模型（simple linear regression model），其一般形式是（2-8） 其中，Y为被解释变量，X

20、为解释变量，、为待估参数，为随机误差项，为观测值下标，为样本容量。称为回归系数（regression coefficients），3线性总体回归模型确定性部分为线性函数的总体回归模型称为线性总体回归模型。 线性总体回归模型是计量经济学中最常见的总体回归模型。 含有多个解释变量的线性总体回归模型称为多元线性总体回归模型，简称多元线性回归模型（multiple linear regression model），其一般形式是 （2-9）其中，Y为被解释变量，为解释变量，为待估参数，即回归系数，、为随机误差项，为观测值下标，为样本容量。 注意： 这里所说的线性函数和通常意义下的线性函数不同，这里的线性

21、函数指参数是线性的，即待估参数都只以一次方出现，解释变量可以是线性的，也可以不是线性的。 例如： 都是线性回归模型。 注意： 这里所说的线性函数和通常意义下的线性函数不同，这里的线性函数指参数是线性的，即待估参数都只以一次方出现，解释变量可以是线性的，也可以不是线性的。 例如： 都不是线性回归模型。 对于参数线性、解释变量非线性的回归模型，只要稍作变换，就可化为线性回归模型的一般形式。 例如： 模型 令，可将模型化为 4线性回归模型的普遍性例如，著名的Cobb-Dauglas生产函数表现为幂函数形式， 著名的菲利普斯曲线（Phillips curves）表现为双曲线形式。 一般情况下，对于只含

22、有乘、除、指数、幂运算的非线性关系，可通过对数变化化为线性关系，以Cobb-Dauglas生产函数为例，方程两边取对数，可化为线性形式对于其他复杂的函数形式，可通过级数展开化为线性形式 ，然后在点 可先根据所掌握的信息确定参数 、的一组初始值 、（ ），处对模型作泰勒级数展开，并取一阶近似值，得 例如，对于模型 余项整理得+余项+余项令，余项原模型可化为四、样本回归模型1样本回归函数与样本回归曲线根据样本数据对总体回归函数作出的估计称为样本回归函数。 由样本回归函数绘制的曲线称为样本回归曲线（样本回归线）。例2-2 假设没有取得总体中所有家庭的可支配收入与消费支出数据，而是按可支配收入水平的不

23、同水平调查取得了一组有代表性的样本，如表2-3所示。 表2-3 家庭月可支配收入与消费支出的一个样本 单位：元 3401306528932677239822061886143913271126消费支出Y5800530048004300380033002800230018001300可支配收入X 以例2-1为例（假设一个由100个家庭构成的总体，并假设这100个家庭的月可支配收入水平只限于1300元、1800元、2300元、2800元、3300元、800元、4300元、4800元、5300元、5800元10种情况，每个家庭的月可支配收入与消费数据如表2-1所示，要研究这一总体的家庭月消费支出Y与

24、家庭月可支配收入X之间的关系，以便根据已知的家庭月可支配收入水平测算该总体的家庭月消费支出平均水平。） 若将家庭月可支配收入X与消费支出Y的总体回归函数设定为一元线性回归函数的形式，从而得到样本回归函数可采用适当方法根据表2-3中的数据得到参数、的估计、表2-3 家庭月可支配收入与消费支出的一个样本 单位：元 3401306528932677239822061886143913271126消费支出Y5800530048004300380033002800230018001300可支配收入X 根据样本数据和样本回归方程可绘制不同可支配收入家庭的消费支出散点图、家庭消费支出与可支配收入关系的样本回

25、归线，如图2-2所示。 从图中可以清晰地看出，样本回归线是通过对样本数据的较好的拟合对总体回归线作出的一种估计。2样本回归模型 引入样本回归函数中的代表各种随机因素影响的随机变量，称为样本残差项、回归残差项或样本剩余项、回归剩余项，简称残差项或剩余项（residual），通常用表示。 在样本回归函数中引入残差项后，得到的是随机方程，成为了计量经济学模型，称为样本回归模型。对于例2-2中的样本回归函数 引入残差项可得样本回归模型例如：3线性样本回归模型确定性部分+ 随机部分 = 样本回归模型确定性部分是线性函数的样本回归模型称为线性样本回归模型。 只含有一个解释变量的线性样本回归模型称为一元线性

26、样本回归模型，其一般形式是 （2-10） 其中，Y为被解释变量，X为解释变量，、的估计，是参数为观测值下标，为样本容量。为残差项， 3线性样本回归模型确定性部分+ 随机部分 = 样本回归模型确定性部分是线性函数的样本回归模型称为线性样本回归模型。 含有多个解释变量的线性样本回归模型称为多元线性样本回归模型，其一般形式是（2-11）为观测值下标，为样本容量。为残差项， 其中，Y为被解释变量， 为解释变量，、? 、的估计，是参数、 一元线性回归模型的基本假设第二节 一元线性回归模型的参数估计 参数的普通最小二乘估计 参数的最大似然估计 普通最小二乘参数估计量的性质 普通最小二乘样本回归函数的性质

27、随机误差项方差的估计一、一元线性回归模型的基本假设 一元线性回归模型的基本假设包括对解释变量的假设、对随机误差项的假设、对模型设定的假设几个方面，主要如下：1）解释变量是确定性变量，不是随机变量。 2）随机误差项具有0均值、同方差，且在不同样本点之间是独立的，不存在序列相关，即3）随机误差项与解释变量不相关。即4）随机误差项服从正态分布，即5）回归模型是正确设定的。 这5条假设中的前4条是线性回归模型的古典假设，也称为高斯假设，满足古典假设的线性回归模型称为古典线性回归模型（classical linear regression model）。在这5条假设中，若前两条假设满足，第3条自然满足，

28、因为前两条假设成立时有且由第2条假设有 因为二、参数的普通最小二乘估计 普通最小二乘法（ordinary least squares，OLS）的基本思想使样本回归函数尽可能好地拟合样本数据最小二乘法以（2-12） 表示被解释变量的估计值与实际观察值的偏差总体上最小，称为最小二乘准则。 对于一元线性回归模型 最小二乘参数估计就是要求使（2-13）达到最小的参数的估计。根据微积分中求极限的原理，要使式（2-13）达到最小，式（2-13）对 的一阶偏导数应等于0，即（2-14）整理得 （2-15） 解得（2-16）这就是参数的普通最小二乘估计量（ordinary least squares esti

29、mators）方程组（2-14）或（2-15）称为正规方程组。 记、，由于式（2-16）可改写为 （2-17）称为参数的普通最小二乘估计量的离差形式（deviation form）若一元线性回归模型中没有常数项，即模型为 可得普通最小二乘参数估计量为 （2-18） 这里需要明确两个概念估计量（estimator）、估计值（estimate）。估计量指以公式表示的参数的估计，是随机变量，其随机性源于被解释变量。因为等于其条件均值与随机误差项之和，是一个随机变量。估计值指把样本数据代入参数估计公式得到的参数估计的具体数值，是确定的数字。 例2-3 以例2-2为例（假设一个由100个家庭构成的总体，

30、并假设这100个家庭的月可支配收入水平只限于1300元、1800元、2300元、2800元、3300元、800元、4300元、4800元、5300元、5800元10种情况，每个家庭的月可支配收入与消费数据如表2-1所示，要研究这一总体的家庭月消费支出Y与家庭月可支配收入X之间的关系，以便根据已知的家庭月可支配收入水平测算该总体的家庭月消费支出平均水平。）求关于家庭消费支出与可支配收入的关系的一元线性回归模型的参数的普通最小二乘估计值，写出样本回归函数。三、参数的最大似然估计基本思想 使从模型中取得样本观察数据的概率最大 对于一元线性回归模型若满足基本假设，则且X为确定性变量，有且的联合概率密度

31、函数是（2-19） 对一组确定的样本， 的联合概率密度函数是关于的函数，称为似然函数。 参数 的估计结果要使得到的模型能以最大概率产生样本数据， （2-20） 就是要使似然函数极大化，即由于似然函数极大化等价于似然函数的对数 （2-21）的极大化，所以，根据微积分中求极限的原理，分别求式（2-21）对的一阶偏导数，并令求偏导的结果等于0，可得正规方程组（2-22）解得 （2-23） 这就是参数的最大似然估计量（maximum likelihood estimators）四、普通最小二乘参数估计量的性质统计性质 线性性无偏性有效性渐近无偏性一致性渐近有效性小样本性质大样本性质(渐进性质)线性性无

32、偏性有效性（最小方差性）渐近无偏性一致性渐近有效性小样本性质大样本性质(渐进性质)指参数估计量可以表示为被解释变量的线性组合 指参数估计量的数学期望等于参数的真实值 指在所有的线性、无偏估计量中该参数估计量的方差最小 指样本容量趋于无穷大时，参数估计量的数学期望 趋于参数的真实值 样本容量趋于无穷大时，参数估计量依概率收敛于 参数的真实值 指样本容量趋于无穷大时，在所有的一致估计量中 该参数估计量具有最小的渐近方差。1）满足线性性、无偏性、有效性三个小样本性质的参数估计量称为最佳 线性无偏估计量（best linear unbiased estimator，BLUE）。 2）满足小样本性质的参

33、数估计量自然也满足大样本性质。 3）在小样本性质不满足的情况下，应扩大样本容量，考察大样本性质。 4）在满足基本假设情况下，一元线性回归模型的普通最小二乘参数估计 量是最佳线性无偏估计量。（why?）几点说明：五、普通最小二乘样本回归函数的性质 1样本回归线过样本均值点， 满足样本回归函数即点 2被解释变量的估计的均值等于实际值的均值，即 3残差和为零，即4解释变量与残差的乘积之和为零，即 5被解释变量的估计与残差的乘积之和为零，即六、随机误差项方差的估计1随机误差项的方差的普通最小二乘估计量随机误差项的方差的普通最小二乘估计量为 （2-35）是一个无偏估计量。2随机误差项的方差的最大似然估计

34、量随机误差项的方差的最大似然估计量可通过对数似然函数求得。即 按照最大似然法的基本思想，要求 使对数似然函数极大化，求对数似然函数对 的偏导数，并令求偏导的结果等于0，得 由此可解得 （2-36） 第三节 一元线性回归模型的拟合优度检验拟合优度指样本回归线对样本数据拟合的精确程度 拟合优度检验检验样本回归线对样本数据拟合的精确程度 拟合优度检验方法通过构造表征拟合优度的统计量，对模型的拟合 效果作出评价 拟合优度检验实质通过残差平方和构造了拟合优度的度量指标一一 决定系数，其基础是被解释变量的离差分解。一、离差分解如图2-3所示图2-3 被解释变量的离差=（2-37） 记=总体平方和或总离差平

35、方和 反映样本观察值的总体离差的大小 回归平方和 反映模型中由解释变量解释的那部分离差的大小 = = = 残差平方和 反映模型中解释变量未解释的那部分离差的大小 这样，式（2-37）可表示为 （2-38）二、决定系数（2-38）同除以总体平方和（2-39） （2-40）是模型中由解释变量解释的那部分离差占总离差的比重 （2-41）是模型中解释变量未解释的那部分离差占总离差的比重 决定系数（ ）（2-42）例2-4 以例2-3为例（假设一个由100个家庭构成的总体，并假设这100个家庭的月可支配收入水平只限于1300元、1800元、2300元、2800元、3300元、800元、4300元、480

36、0元、5300元、5800元10种情况，每个家庭的月可支配收入与消费数据如表2-1所示，要研究这一总体的家庭月消费支出Y与家庭月可支配收入X之间的关系，以便根据已知的家庭月可支配收入水平测算该总体的家庭月消费支出平均水平。）求关于家庭消费支出与可支配收入关系的一元线性回归模型的拟合优度。 模型的拟合效果较好 或 三、决定系数与相关系数的关系 第四节 一元线性回归模型的参数的统计推断参数的假设检验 参数估计与检验结果的表述 参数的区间估计 参数估计量的分布一、参数估计量的分布服从正态分布 记的标准差（standard error）分别为 进行标准化变换可得（2-43） （2-44） 替代令的样本

37、方差的样本标准差 替代令服从自由度为n-2的t 分布（2-45） （2-46） 二、参数的区间估计 参数的区间估计，即是求参数的置信区间，是在给定显著性水平对参数的取值范围作出估计，参数的真实值落入这一区间的概率为。之下，区间 由此可得所以，在 显著性水平下，参数 的置信区间分别为（2-47）（2-48） 例2-5 以例2-3为例（假设一个由100个家庭构成的总体，并假设这100个家庭的月可支配收入水平只限于1300元、1800元、2300元、2800元、3300元、800元、4300元、4800元、5300元、5800元10种情况，每个家庭的月可支配收入与消费数据如表2-1所示，要研究这一总

38、体的家庭月消费支出Y与家庭月可支配收入X之间的关系，以便根据已知的家庭月可支配收入水平测算该总体的家庭月消费支出平均水平。）答案 求关于家庭消费支出与可支配收入关系的一元线性回归模型的参数的95%的置信区间。的95%的置信区间为 的95%的置信区间为 三、参数的假设检验 参数的假设检验检验对模型参数所作的某一个假设是否成立基础是参数估计量的分布性质采用的方法是统计学中的假设检验对模型参数所作的假设，可以是参数等于某一特定的数值 可以是参数大于或小于某一特定的数值如原假设和备择假设分别为，进行的是双边检验 如原假设和备择假设分别为，进行的是单边检验 针对参数的某一假设，检验的基本思想是由原假设和

39、参数估计量构造一个小概率事件，判断在给定显著性水平下这一小概率事件是否发生，如果小概率事件发生了，则拒绝原假设，接受备择假设；如果小概率事件没有发生，则接受原假设，拒绝备择假设。因为小概率事件是一次抽样中几乎不可能发生的事件，小概率事件发生，说明原假设不真。由式（2-45）、式（2-46），可利用 t 分布进行参数的假设检验，称为 t 检验。（2-45） （2-46） 以 为例， 若针对原假设 ，备择假设 进行检验，根据原假设，接受原假设如果,则拒绝原假设，接受备择假设。是否显著不为0? 思考：， 若针对原假设 ，备择假设 进行检验，根据原假设如果接受原假设则拒绝原假设，接受备择假设。例2-6 以例2-3为例（假设一个由100个家庭构成的总体，并假设这100个家庭的月可支配收入水平只限于1300元、1800元、2300元、2800元、3300元、800元、4300元、4800元、5300元、5800元10种情况，每个家庭的月可支配收入与消