ˆ 的标准差 从其中一个回归方程得出的 b ˆ 的变动性的估计， 是对 b
2 ˆ ( Y Y ) i i
Sb
11
( n 2) 2 ( X X ) i
（2）评价单个自变量的解释能力
t-检验
ˆ 具有变动性，需要确定一个区间或 由于b 范围来估计参数b的真正的值。可以用以 下公式估算b的95%的置信区间：
例2：
变量 常数 价格P 收入I 其他物品 价格P0
估计的系数 50.7836
标准差 t-统计量
14
-4.9892
1.3458 (-3.71)
0.0034
0.0045 (0.76)
-1.2801
0.5890 (-2.71)
10.2189 (4.97)
观察次数=182，R2=0.6837
第三节 需求回归分析 步骤
线性方程 自变量边际变 化引发的因 变量变化的 绝对值 相对比率 不变 变 幂函数 变 不变
25
第三节 需求回归分析 步骤
4. 估计结果及解释
可决系数的 值表示模型的 总解释能力
26
Xi
9
X
（1）检验回归方程的拟合性
可决系数 可决系数coefficient determination R2 度量在因变量的总变差中，已由回归方程 解释的部分所占的比重。
R
2
10
2 ˆ (Yi Y)
(Y Y )
i
2
（2）评价单个自变量的解释能力
t-检验 运用t-检验t-test可以确定因变量和每个 自变量之间是否存在显著的关系。
价格 10 8 6 交易量
100 120 140
不是需求曲线
17
识别问题
价格 S1 S2 S3 价格
S1
D1 D2 D3
D
S2 S3
交易量 a b
交易量
如果没有更多的信息，是不可能知道出现的是这两种 情况中的哪一种情况，因而无法识别各条分开的需求 曲线。 这就是识别问题identification problem。
Y
Xi-
X
(Xi-
X
)2
(Xi-
X) ( Yi- Y)
-375 1575 2625 975 1575 975 375 375 2625 -375
(Yi- Y)2 225 2025 1225 225 2025 225 625 625 1225 225
-15 45 -35 15 -45 -15 25 -25 35 15
对具有一个以上自变量的方程的参数进行估计 称为多元回归multiple regression。
Y a b1 A b2 P b3 M
在多元回归中，假定其它变量的影响不变，每一个估计 出来的系数是对一个变量对因变量的影响的度量。
13
Qd B a p P ai I a0 P0
修正后，方程仍有一个较高的R2值，P的系数为 正，并在统计上显著。
21
第三节 需求回归分析 步骤
3. 选择函数形式
线性方程
Qd a b p P bi I b0 P O bt T
线性方程的特点： 不改变其形式就能对其进行估计。 每个系数的含义：在其它自变量的值不发生变化时，相应自变量的边 际变化使需求量变化的绝对数量。而且，这一绝对数量的变化是既定的 常数，不受其他自变量数值大小影响。例如： Q 可以求出需求点弹性：
25 35 -75 65 -35 -65 15 -15 75 -25
625 1225 5625 4225 1225 4225 225 225 5625 625
Y
=175；X =125；∑ (Xi∑(Yi- Y )2=8650；
)( Yi- Y )=10350, X )2=23850；∑(Xi- X
试给出销售量的估计方程。
令ei为Y的实际观测值与预 测值之间的离差（即这些点 与支线之间的垂直距离）， 则 ei yi yi 称为残值 residual或预测误差 prediction error。最小二 乘法就是令残值的平方和
ei
i 1
n
2
最小 。
3
最小二乘回归估计
拟合的 直线从各数据点中通过，使每一 点到该直线垂直距离的额平方和最小， 这种技术称为 最小二乘回归分估计（leastsquares regression estimation）
18
多重共线性
当回归方程中变量太多时，有时两个或 两个以上的自变量之间高度相关，这种 问 题 成 为 多 重 共 线 性 (multicollinearity)。
19
多重共线性
例如：一名学生随机选出 40名文学课的学生作样本，并 假设课程的得分数应当和花费在该课程上的小时数和每 人对教材的阅读数呈正相关。对这些数据进行了回归分 析，估计出的方程为：
log Qd log B log b p P log bi I log b0 P0 log bt T
23
幂函数方程的特点：
可以求出相应自变量的边际变化使需求量变化的绝对 数量。但是，这一绝对数量的变化不是既定的常数，而 是受其他自变量数值大小影响。例如： Qd b 1 b0 bt b p aP p I bi P T 0 P 每个系数是相关变量的弹性。例如：
Qd P P b p 1 bi b0 bt Ep b p aP I P0 T P Qd Qd
b p aP
b p 1 bi bp bi
I P0 0 T bt P
b0 bt
b
aP I P0 T
bp
这说明，自变量边际变化引发需求量变化的相对比率 24 （即弹性）是不变的。
幂函数方程的特点：
5
10350 ˆ b 0.433962 23850
ˆ 175 0.433962 125 120.75475 a
汽油销售量函数的估计方程为：
Y 120.755 0.434 X
6
第一节 回归分析
二、统计检验
检验方程的拟合性和自变量对因变量的 解释能力 。两个方面：一是可决系数； 二是使用t-检验
P Qd P P Ep bp P Qd Qd
bp
d
自变量边际变化引发需求量变化的相对比率（即弹性）是变化的。
22
第三节 需求回归分析 步骤
3. 选择函数形式
幂函数
Qd aP I P0 T
bi
bp
b0
bt
幂函数方程的特点：
需改变其形式才能对其进行估计。方法是 对等式两边取对数：
G=50.00+0.40H+0.02P (2.80)(0.80)(1.35) R2=0.80
多重共线性会使回归分析出现问题。如果两个变量 高度相关，就很难把每个变量对因变量的影响区分 开。
20
多重共线性
当出现多重共线性问题，系数的标准差就会较大，从而t统计量就会较小。因此系数在统计上的显著性就会减小。 如果两个变量几乎完全相关，大多数回归程序会显示无法 进行回归。 解决多重共线性的一个办法是，从方程中取消一个高相关 的变量。例如，在上例中假定学习时间从模型取消，新方 程如下： G=60.00+0.03P R2=0.75 (2.70) (3.00)
ˆ ±tn-k-1Sb b
如果自变量和因变量之间没有关系，参数b将为零。 因此，应检查在95%的置信区间内是否包括零值。若 不是，则 b ˆ 所度量的X和Y之间的关系在统计上显著 ˆ 不显著 significant；如果包括零，则 b 12 nonsignificant 。
第二节 多元回归
和总变差 总变差是指任意一个Yi和Y的均值之间的离差， 即( Yi- Y )，称为Y的总变差。
8
（1）检验回归方程的拟合性
已解释变差和未解释变差
Y 总变差 (Yi Y )
ˆ a bX 样本回归直线 Y ˆ ) 未解释变差 (Y Y
i i
ˆ Y ) 已解释变差(Y i i
( X X )( Y Y ) ˆ b (X X )
i i 2 i
ˆX ˆ Yb a
例：某石化公司汽油销售量与促销费用的统计数据如下表
销售 地区 i 1 2 3 4 5 6 7 8 9 10 促销支出 （×$1, 000）Xi 150 160 50 190 90 60 140 110 200 100 销售量 (×$1,0 00加 Yi仑)Yi 160 220 140 190 130 160 200 150 210 190
1. 建立理论模型与决定变量
2. 收集数据
15
变量遗漏
经济理论能用来确定哪些变量应当包括 在回归方程中。但如果有的变量被遗漏 了，回归分析的结果就可能产生误导。 当回归结果与经济理论不一致时，重要 变量的遗漏可能是个原因，这就需要在 回归方程中增加新的变量。
16
识别问题
从市场观察到的均衡价格和均衡交易量如下表： 年份 价格 交易 （元） 量 1 2 3 10 8 6 100 120 140
第四章 需求回归分析
第一节 回归分析
一、估计参数——最小二乘法
回归分析法：利用数理统计方法建立 因 变量（决策变量）与自变量（影响因素） 之间的因果关系的函数表达。
一元回归分析、多元回归分析 线性回归分析、非线性回归分析
Y
ei
yi
yi´
样本回归 直线 y´=a+bx
X
观察值对样本回归直 线的离差