管理研究方法計(jì)量經(jīng)濟(jì)學(xué)方法

管理研究方法（7）

--計(jì)量經(jīng)濟(jì)學(xué)方法（二）當(dāng)前第1頁\共有53頁\編于星期五\11點(diǎn)主要參考書目教材：

[美]古扎拉蒂（DamodarN.Gujarati）著:《計(jì)量經(jīng)濟(jì)學(xué)》(BasicEconometrics),第四版,中譯本，林少宮譯，中國人民大學(xué)出版社，2006。新版本：古扎拉蒂（DamodarN.Gujarati）著:《計(jì)量經(jīng)濟(jì)學(xué)》(BasicEconometrics),第五版,中譯本，費(fèi)劍平譯，中國人民大學(xué)出版社，2012。其他參考書目:1.易丹輝主編,《數(shù)據(jù)分析與EViews應(yīng)用》,中國人民大學(xué)出版社,2008年10月。2.馬慶國：《管理統(tǒng)計(jì)--數(shù)據(jù)獲取、統(tǒng)計(jì)原理、SPSS工具與應(yīng)用研究》，科學(xué)出版社，2006。當(dāng)前第2頁\共有53頁\編于星期五\11點(diǎn)主要內(nèi)容計(jì)量經(jīng)濟(jì)學(xué)專題（1）

--多重共線性與異方差性問題計(jì)量經(jīng)濟(jì)學(xué)專題（2）

--自相關(guān)、自回歸及分布滯后計(jì)量經(jīng)濟(jì)學(xué)專題（3）

--虛擬變量回歸問題計(jì)量經(jīng)濟(jì)學(xué)專題（4）

--聯(lián)系方程組方法計(jì)量經(jīng)濟(jì)學(xué)專題（5）

--面板數(shù)據(jù)模型及其估計(jì)因子分析、主成份分析、聚類分析當(dāng)前第3頁\共有53頁\編于星期五\11點(diǎn)

一、多重共線性與異方差性問題

放寬古典模型的假設(shè)

--多重共線性（multi-collinearity）問題

--異方差性（heteroscedasticity）問題

當(dāng)前第4頁\共有53頁\編于星期五\11點(diǎn)1.多重共線性問題

多重共線性的例子例1：消費(fèi)—收入的例子例2：農(nóng)民消費(fèi)與農(nóng)業(yè)產(chǎn)值

多重共線性的程度

--pp313

多重共線性的原因：--pp313--數(shù)據(jù)采集方法和范圍

--模型或總體受到約束

--模型設(shè)定

--過度決定的模型（樣本信息過于集中）當(dāng)前第5頁\共有53頁\編于星期五\11點(diǎn)--cont’多重共線性的實(shí)質(zhì)

--樣本(間)的回歸現(xiàn)象

λ1x1+λ2x2+…+λkxk=0

其中:λ1,λ2,…,λk為一組不同時(shí)為零的數(shù)多重共線性的后果

--理論后果和實(shí)際后果：p316-321

☆標(biāo)準(zhǔn)誤差將隨著變量間的共線程度的增大而增大☆由于標(biāo)準(zhǔn)誤差較大,會(huì)使有關(guān)的總體參數(shù)的置信區(qū)間更大。☆如果存在高度共線性,則樣本數(shù)據(jù)可能與各種不同的假設(shè)相容,因此接受錯(cuò)誤假設(shè)(犯第二類錯(cuò)誤)的概率增大了。當(dāng)前第6頁\共有53頁\編于星期五\11點(diǎn)--cont’☆在不完全的多重共線性下，回歸系數(shù)的估計(jì)是可能的，但其估計(jì)量及其標(biāo)準(zhǔn)差非常敏感。

例子pp321,323☆如果是高度多重共線的，可能得出較高的R2值，但幾乎沒有一個(gè)估計(jì)的回歸系數(shù)在統(tǒng)計(jì)上是顯著的。多重共線性的檢測(cè)（發(fā)現(xiàn)）:pp325-328☆經(jīng)驗(yàn)判斷：

a.估計(jì)的回歸系數(shù)無法解釋；

b.R2值很高或者p<α，但幾乎所有偏回歸系數(shù)的t-檢驗(yàn)在統(tǒng)計(jì)上是不顯著的；當(dāng)前第7頁\共有53頁\編于星期五\11點(diǎn)--cont’c.偏回歸系數(shù)的估計(jì)值大小及符號(hào)與常識(shí)不符；

d.專業(yè)知識(shí)上可以肯定對(duì)因變量的影響因素，但在多元回歸中卻不能納入方程；

e.去掉一兩個(gè)變量或樣本觀測(cè)值，方程的回歸系數(shù)值發(fā)生劇烈變動(dòng)，非常不穩(wěn)定?！羁梢钥疾旖忉屪兞块g的判定系數(shù)R2,如果只有兩個(gè)自變量，考察他們之間的簡單相關(guān)系數(shù)即可判斷。如果r較大，則一般是共線的。☆如果R2值較高而偏相關(guān)系數(shù)較低，則可能存在多重共線性；其中的一個(gè)或多個(gè)變量可能是多余的。當(dāng)前第8頁\共有53頁\編于星期五\11點(diǎn)--cont’

☆可將模型中的每一個(gè)變量xi對(duì)其它的變量進(jìn)行回歸，求出相應(yīng)的可決系數(shù)Ri2。如果某個(gè)Ri2較高，則表明該變量與其它變量是高度相關(guān)的。只要不導(dǎo)致嚴(yán)重的設(shè)定偏倚，可將其從模型中剔除。☆逐步回歸法：將Y分別與Xi進(jìn)行回歸：

--有用的變量：R2大，t-檢驗(yàn)顯著

--多余的變量：R2變化不大，其他系數(shù)無影響

--可能重要的變量：R2變化大，其他系數(shù)及符號(hào)均發(fā)生變化☆檢測(cè)共線性的統(tǒng)計(jì)指標(biāo)：pp327-328--本征值（eigenvalues）與病態(tài)指數(shù)（conditionindex）經(jīng)驗(yàn)規(guī)則：k在100—1000之間，就算有中等強(qiáng)度的多重共線性；當(dāng)前第9頁\共有53頁\編于星期五\11點(diǎn)--cont’

如果k大于1000，就算有嚴(yán)重的多重共線性.或者：CI在10-30之間，就算有中等強(qiáng)度的多重共線性；如果CI大于30，就算有嚴(yán)重的多重共線性！

--容許度（tolerrance）與方差膨脹因子（varianceinflatingfactor）

經(jīng)驗(yàn)規(guī)則：

VIFj值越大，變量xj共線性可能性越大。如果一個(gè)變量的VIFj值超過10，則該變量是高度共線的。用容許度來檢測(cè)多重共線性：

如果Xj與其他回歸元無關(guān)，則TOLj=1;如果Xj與其他回歸元完全相關(guān)，則TOLj=0。當(dāng)前第10頁\共有53頁\編于星期五\11點(diǎn)如何避免多重共線性問題–

補(bǔ)救措施

★利用額外的或先驗(yàn)的信息★合并截面數(shù)據(jù)和時(shí)間序列數(shù)據(jù)（并用）★剔除（某個(gè)高度共線的）變量和設(shè)定偏倚★變換數(shù)據(jù)★增加樣本觀測(cè)值或補(bǔ)充新的數(shù)據(jù)★主成分分析★差分模型或增長率模型★嶺回歸方法

--例題（略）

當(dāng)前第11頁\共有53頁\編于星期五\11點(diǎn)2.異方差性（heteroscedasticity）

問題的提出

--不滿足統(tǒng)計(jì)假設(shè)中的隨機(jī)擾動(dòng)項(xiàng)同方差同方差（homo-scedasticity）：E（ui2

）=σ2

異方差（heter-scedasticity）：E（ui2

）=σi2--實(shí)際經(jīng)濟(jì)問題的同方差假定不合理（尤其時(shí)間序列數(shù)據(jù)，要格外當(dāng)心?。┊惙讲畹膩碓?/p>

--干中學(xué)，邊錯(cuò)邊改（error-learning）

--行為方式或偏好發(fā)生改變

--數(shù)據(jù)采集技術(shù)的改進(jìn)，使誤差可能減小

--異常值（離群值，outliers）的出現(xiàn)

--模型設(shè)定錯(cuò)誤當(dāng)前第12頁\共有53頁\編于星期五\11點(diǎn)廣義最小二乘法（GLS）

基本思想先將原始變量轉(zhuǎn)換成滿足經(jīng)典模型假設(shè)的轉(zhuǎn)換變量，然后再對(duì)它們使用OLS程序。即GLS是對(duì)滿足標(biāo)準(zhǔn)最小二乘假定的轉(zhuǎn)換變量的OLS。如此得到的估計(jì)量稱為GLS。

GLS估計(jì)量是BLUEpp354-355OLS與GLS的區(qū)別pp355當(dāng)前第13頁\共有53頁\編于星期五\11點(diǎn)--cont’

異方差性的后果

--在其他條件滿足時(shí)，有異方差時(shí)，用OLS估計(jì)式得到的系數(shù)估計(jì)仍是無偏的、一致的，但不再是有效的。（方差不是最?。﹑352-353，

--由于此時(shí)Var（βhat）不具有最小方差，導(dǎo)致過低估計(jì)βhat的t-值。

--β的置信區(qū)間不必要地增大，從而使顯著性檢驗(yàn)的功效變小。P356--如果忽視異方差性而一味使用慣用的檢驗(yàn)程序，則無論得出何結(jié)論或做出何判斷，都可能產(chǎn)生嚴(yán)重誤導(dǎo)。p357當(dāng)前第14頁\共有53頁\編于星期五\11點(diǎn)--cont’

異方差性的檢驗(yàn)（或發(fā)現(xiàn)）

--pp358–369--圖解法

--{ei}與{Yi}或{Xi}的散點(diǎn)圖（Scatplot）

--Park檢驗(yàn)

ln（σi2）=ln（σ2）+βln（Xi）+νi

=α+βln（Xi）+νi

估計(jì)時(shí)，用{ei2}作為σi2的替代變量，看β是否顯著？

--Glejser檢驗(yàn)

--{ei}與{Xi}之間的各種可能關(guān)系？

--Spearman等級(jí)相關(guān)檢驗(yàn)：

di為兩變量的等級(jí)差步驟：pp362

例題：pp363當(dāng)前第15頁\共有53頁\編于星期五\11點(diǎn)--cont’--戈德菲爾德-匡特檢驗(yàn)

步驟：pp364

例題：pp365-366--布勞殊-培干-戈弗德檢驗(yàn)步驟：pp367

例題：pp368--懷特（White）的一般異方差性檢驗(yàn)步驟：pp369

例題：pp369-370當(dāng)前第16頁\共有53頁\編于星期五\11點(diǎn)--cont’異方差性的補(bǔ)救

在理論上，克服異方差性還沒有很好的辦法。

--出現(xiàn)異方差時(shí)的一般對(duì)策是從經(jīng)濟(jì)理論上考慮更合理的解釋變量和函數(shù)形式。

--當(dāng)σi2為已知時(shí)：加權(quán)最小二乘法（WLS）pp371--進(jìn)行數(shù)據(jù)變換尤其是對(duì)數(shù)變換通常是較有效的辦法關(guān)于異方差性模式的可能假定–

數(shù)據(jù)變換的形式

pp373-376--雙變量總體方差是否相同的F-檢驗(yàn)

一個(gè)總結(jié)性例題pp377當(dāng)前第17頁\共有53頁\編于星期五\11點(diǎn)二、計(jì)量經(jīng)濟(jì)學(xué)專題（2）自相關(guān)（Autocorrelation）自回歸（Auto-Regression）分布滯后（Distributed-lag）模型

當(dāng)前第18頁\共有53頁\編于星期五\11點(diǎn)1.自相關(guān)（Autocorrelation）問題

問題的提出：

自相關(guān)是指按時(shí)間順序或空間順序排列的觀察值之間的相關(guān)現(xiàn)象，又稱序列相關(guān)。Cov（Ui，Uj）=E（Ui，Uj）≠0

自相關(guān)的來源：pp395-398

在經(jīng)濟(jì)時(shí)間序列中，序列相關(guān)現(xiàn)象之所以經(jīng)常存在，是因?yàn)槟Ｐ统０岩恍┎恢匾幕驘o法觀測(cè)到的因素都包括在隨機(jī)誤差中，而這些因素往往具有時(shí)間趨勢(shì)，從而在隨機(jī)誤差項(xiàng)Ut中體現(xiàn)了在時(shí)間先后上的某種相關(guān)性。

--慣性：時(shí)間序列數(shù)據(jù)的回歸中，連續(xù)觀測(cè)值可能是相互依存的。

--省略了不該省的解釋變量

--設(shè)定偏誤（錯(cuò)誤的數(shù)學(xué)表達(dá)式或函數(shù)形式）

--數(shù)據(jù)的編造（對(duì)原始數(shù)據(jù)的處理或變換不當(dāng)）當(dāng)前第19頁\共有53頁\編于星期五\11點(diǎn)--cont’

--蛛網(wǎng)現(xiàn)象：Qt=f（Pt-1）+Ut

--滯后效應(yīng):Ct=β1+β2Yt+β3Ct-I+Ut自相關(guān)出現(xiàn)時(shí)的OLS估計(jì)：

☆一階自回歸模型：AR（1）

Ut=ρUt-1+εt,εt

～N（0，σ2

）☆一階移動(dòng)平均模型：MA（1）

Ut=νt+λνt-1

☆A(yù)RMA（1，1）

Ut=ρUt-1+νt+λνt-1

當(dāng)前第20頁\共有53頁\編于星期五\11點(diǎn)--cont’☆在自相關(guān)情況下，用OLS估計(jì)式得到的系數(shù)估計(jì)仍是無偏的、一致的，但不再是有效的。（方差不是最小的）自相關(guān)出現(xiàn)時(shí)的后果：☆OLS估計(jì)式是無偏的，但無偏性是在重復(fù)抽樣中體現(xiàn)出來的，在任一特定的樣本中，OLS估計(jì)式對(duì)于樣本波動(dòng)非常敏感?！罟烙?jì)的方差可能增大：

☆剩余的方差E（∑ei2）可能低估擾動(dòng)項(xiàng)ut的方差σ2

；OLS估計(jì)式的方差和標(biāo)準(zhǔn)差也可能低于真實(shí)的方差和標(biāo)準(zhǔn)差?！钍箼z驗(yàn)失效，如t–

檢驗(yàn)（t-值放大），拒絕H0

例子:pp403-407當(dāng)前第21頁\共有53頁\編于星期五\11點(diǎn)--cont’自相關(guān)的檢驗(yàn)a.圖示法：用ei代替ui，若ui之間存在自相關(guān)（序列相關(guān)），比通過{ei}反映出來。因此，可用{ei}來考察ui的序列相關(guān)性質(zhì)。

--看et與et-1之間的散點(diǎn)圖：

--看et與t之間的散點(diǎn)圖：

--看et的數(shù)值的變化（如季節(jié)變化）：b.Durbin–Watson檢驗(yàn)

（DW—值）適用于檢驗(yàn)是否存在一階線性自回歸：

Ut=ρUt-1+vt,vt

～N（0，σ2

），稱為白噪聲序列一階馬爾可夫過程AR(1)

當(dāng)前第22頁\共有53頁\編于星期五\11點(diǎn)--cont’

當(dāng)前第23頁\共有53頁\編于星期五\11點(diǎn)--cont’

結(jié)論：

du≤DW≤4-du→無序列相關(guān)（無自相關(guān)）

0<DW≤dL→正相關(guān)

4–dL≤DW≤4→負(fù)相關(guān)

DL≤DW≤Du→不確定

4-du≤DW≤4-dL→不確定圖示：p413

查表du和dL,與估計(jì)或計(jì)算的DW-值比較!c.游程檢驗(yàn)：pp410-411當(dāng)前第24頁\共有53頁\編于星期五\11點(diǎn)

補(bǔ)救辦法（存在序列相關(guān)時(shí)的估計(jì)方法）

如果是遺漏解釋變量而造成的，加入之。確定正確的模型形式，或變量變換如果是真實(shí)的序列相關(guān)：Ut=ρUt-1+vt

a.ρ已知時(shí)，做廣義差分變換；

b.ρ未知時(shí)，

--由于：當(dāng)前第25頁\共有53頁\編于星期五\11點(diǎn)--cont’--科克倫-奧克特（Cochrane-Orcutt）迭代法

step1:

step2:廣義差分變換

step3:廣義差分變換→參數(shù)估計(jì)直到ρ的估計(jì)量沒有顯著差異為止！或無序列相關(guān)！當(dāng)前第26頁\共有53頁\編于星期五\11點(diǎn)--Durbin兩段法

當(dāng)前第27頁\共有53頁\編于星期五\11點(diǎn)--自回歸條件異方差模型（ARCH）

模型及含義檢驗(yàn)例子處理

--GLS,--GARCH當(dāng)前第28頁\共有53頁\編于星期五\11點(diǎn)2.自回歸與分布滯后模型

問題的提出

--分布滯后模型:不僅包含解釋變量的本期值，還包括解釋變量的滯后值。如：

Yt=α+β0Xt+β1Xt-1+β2Xt-2+Ut

--自回歸模型:不僅包含解釋變量的本期值，還包括被解釋變量的滯后值。如：

Yt=β0+β1Xt+β2Yt-1+Ut

經(jīng)濟(jì)研究中分布滯后的作用或意義

有限滯后分布模型：無限滯后分布模型：當(dāng)前第29頁\共有53頁\編于星期五\11點(diǎn)--cont’--短期乘數(shù)：β0--延遲乘數(shù)（過渡乘數(shù)）：β1,β2,…βk--長期乘數(shù)：β=∑βj--例子：投資乘數(shù)：KI=1/(1-MPC)

貨幣乘數(shù)：m=1/(1-Re)當(dāng)前第30頁\共有53頁\編于星期五\11點(diǎn)--cont’滯后的原因

--人們的心理與習(xí)慣：并不因?yàn)閮r(jià)格的變化或收入的變化而立刻改變其消費(fèi)習(xí)慣、投資決策等。

--技術(shù)上的原因：預(yù)期心理

--制度上的原因：如固定資產(chǎn)管理體制、宏觀經(jīng)濟(jì)體制、貨幣政策、財(cái)政政策、信貸政策與管理體制等。

--信息傳遞和延遲：信息傳遞需要時(shí)間、政策效應(yīng)具有時(shí)滯等。當(dāng)前第31頁\共有53頁\編于星期五\11點(diǎn)--cont’

滯后模型的估計(jì)

--經(jīng)驗(yàn)權(quán)數(shù)法

a.遞減滯后

W1=(1/3)Xt+(1/5)Xt-1+(1/7)Xt-2+(1/9)Xt-3Yt=α0+α1W1+Utb.矩形滯后（均勻）

W1=(1/3)Xt+(1/3)Xt-1+(1/3)Xt-2Yt=α0+α1W1+Utc.“∧”形滯后

W1=(1/10)Xt+(1/4)Xt-1+(1/2)Xt-2+(1/5)Xt-3+(1/9)Xt-4Yt=α0+α1W1+Ut當(dāng)前第32頁\共有53頁\編于星期五\11點(diǎn)--cont’--庫伊克（Koyck）幾何滯后形式對(duì)模型：Yt=α+β0Xt+β1Xt-1+…+βkXt-k+Ut

設(shè)：βk=β0.λk

（0<λ<1，分布滯后的下降率）長期乘數(shù)β=∑βj=∑β0.λk

=β0/（1-λ）平均滯后=（∑kβk）/（∑βj）=λ/（1-λ）變換方法：廣義差分變換當(dāng)前第33頁\共有53頁\編于星期五\11點(diǎn)

--阿爾蒙（Almon）多項(xiàng)式滯后形式

對(duì)模型：設(shè)：βj=α0+α1j+α2j2+…+αmjm

當(dāng)前第34頁\共有53頁\編于星期五\11點(diǎn)--cont’--自適應(yīng)期望模型

適應(yīng)性規(guī)則：Xte

–Xt-1e=γ（Xt

–Xt-1e）（**）

Xt為t期的實(shí)際值；

Xte為t期的期望值（預(yù)期值）；

γ為期望系數(shù)，0<γ<1

當(dāng)γ=0時(shí)，Xte=Xt-1e期望值不變；

γ=1時(shí)，Xt=Xte期望值等于現(xiàn)值。例子：貨幣需求量：

Yt=β0+β1Xte+Ut（1）

Xte=γXt+(1-γ)Xt-1e

（2）估計(jì)：（2）式代入模型（1）式、變形、整理，得到自回歸模型，用OLS估計(jì)，可得β0、β1

估計(jì)值。當(dāng)前第35頁\共有53頁\編于星期五\11點(diǎn)--cont’--局部調(diào)整模型

模型一：

Yte=

β0+β1Xt+Ut（1）

令：Yt

–Yt-1=δ（Yte

–Yt-1）（2）

δ為調(diào)整系數(shù)，0<δ<1

估計(jì)：（1）式代入（2）式，有：

Yt

–Yt-1=δ（β0+β1Xt+Ut–Yt-1）

Yt=δβ0+δβ1Xt+（1-δ）Yt-1+δUt

得到自回歸模型：

Yt=α0+α1Xt+α2Yt-1+Vt當(dāng)前第36頁\共有53頁\編于星期五\11點(diǎn)--cont’模型二：

Yte=β0Xt

β1eUt（1）調(diào)整模型：（2）

估計(jì)：分別取對(duì)數(shù)，代入，變?yōu)閷?duì)數(shù)形式的自回歸模型，然后用OLS估計(jì)即可。

【例】：旅游外匯收入的匯率彈性！

《遼寧金融》，1994（2）

當(dāng)前第37頁\共有53頁\編于星期五\11點(diǎn)--cont’基礎(chǔ)數(shù)據(jù)：《旅游統(tǒng)計(jì)年鑒》1978-1991：境外旅游者來華入境人數(shù)（萬人），人民幣匯率（年底數(shù)）、人民幣匯率（年內(nèi)平均）、旅游外匯收入（百萬美元）長期模型（對(duì)數(shù)形式的局部調(diào)整模型）：調(diào)整公式：當(dāng)前第38頁\共有53頁\編于星期五\11點(diǎn)--cont’估計(jì)及其結(jié)果：

短期模型：

估計(jì)結(jié)果：旅游外匯收入對(duì)匯率變化的短期彈性及含義：

長期彈性及含義：當(dāng)前第39頁\共有53頁\編于星期五\11點(diǎn)--cont’

注意：在研究諸如貨幣需求量、銀行存款、利率及匯率變動(dòng)、就業(yè)與失業(yè)、通貨膨脹、投資分析等實(shí)際問題時(shí)，經(jīng)常遇到自適應(yīng)模型和局部調(diào)整模型的應(yīng)用。

自回歸模型中自相關(guān)的檢驗(yàn)

在自回歸模型中，DW值通常難以檢測(cè)自回歸模型中的自相關(guān)，因?yàn)榇藭r(shí)DW值一般趨近于2，即按常規(guī)算出的DW統(tǒng)計(jì)量存在一種阻礙發(fā)現(xiàn)一階序列相關(guān)的內(nèi)在偏倚。調(diào)整如下：

為Yt-1前的系數(shù)的估計(jì)量的方差。當(dāng)前第40頁\共有53頁\編于星期五\11點(diǎn)--cont’

--Durbin證明：當(dāng)樣本容量較大時(shí)，如果ρ=0，則h服從N（0，1）。對(duì)于給定的顯著性水平α，可查出正態(tài)分布表的臨界值Zα/2。則可做出拒絕或接受H0：ρ=0的假設(shè)。

--說明：（1）計(jì)算h時(shí)，只計(jì)算滯后Yt-1系數(shù)的方差，與其他滯后值無關(guān)。（2）當(dāng)N·Var（α2hat）>1時(shí)，不用此檢驗(yàn)。實(shí)際中并不常見?。?）大樣本時(shí)較實(shí)用，小樣本時(shí)不恰當(dāng)。當(dāng)前第41頁\共有53頁\編于星期五\11點(diǎn)三、計(jì)量經(jīng)濟(jì)學(xué)專題（3）虛擬自變量（DummyVariables）回歸虛擬因變量的回歸模型：

--線性概率模型（linearprobabilitymodels）

--對(duì)數(shù)（線性）回歸模型（logisticregression）

--概率單位模型（probitmodel）

--托比模型（Tobitmodel）

當(dāng)前第42頁\共有53頁\編于星期五\11點(diǎn)1.虛擬自變量的回歸虛擬變量的實(shí)質(zhì)屬性變量、品質(zhì)變量、二元變量、標(biāo)記變量虛擬變量回歸方法

Y=β0+β1x1+β2x2+α1D

具有某種屬性不具有某種屬性例1–

大學(xué)教授性別差異而導(dǎo)致的工資差距

pp.494例2–

是否吸煙對(duì)身體的影響例3--是否提供便捷服務(wù)對(duì)營業(yè)額的影響當(dāng)前第43頁\共有53頁\編于星期五\11點(diǎn)--cont’參數(shù)的解釋

E(y|D=1)=(β0+α1)+β1x1+β2x2E(y|D=0)=β0+β1x1+β2x2yE(y)=(β0+α1)+β1x1+β2x2E(y)=β0+β1x1+β2x2α1

0x當(dāng)前第44頁\共有53頁\編于星期五\11點(diǎn)--cont’多個(gè)虛擬變量的情況

--pp499-501

--虛擬變量是一個(gè)多分定性變量

一般規(guī)則是虛擬變量的個(gè)數(shù)比變量分類數(shù)少一！例子：p499-500、p511--虛擬變量是多個(gè)定性變量

例子：p501、502

虛擬變量與回歸的比較

例子：p505-508

不同屬性的交互作用：p509當(dāng)前第45頁\共有53頁\編于星期五\11點(diǎn)--cont’

分段回歸中的虛擬變量例子：p513-514

在時(shí)間序列和橫截面數(shù)據(jù)中合并使用虛擬變量例子：p515-518

其它技術(shù)問題

p518-521當(dāng)前第46頁\共有53頁\編于星期五\11點(diǎn)1.線性概率模型

虛擬因變量：具有二分屬性的因變量。線性概率模型：

Yi

=β1+β2Xi+Ui

其中，Yi

=1具有某種屬性

Yi

=0不具