Lectue 02 回归模型及其应用.ppt

  1. 1、本文档共59页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
Lectue 02 回归模型及其应用

第二章 回归模型及其应用 学习目标 熟悉一元回归和多元回归模型及其运用; 掌握线性回归结果的t检验和F检验; 熟悉模型的稳定性检验; 熟悉虚拟变量的运用。 第二章 回归模型及其应用 第一节 一元线性回归模型及其应用 第二节 多元线性回归及其应用 第三节 线性回归模型的检验 第四节 虚拟变量引入与模型稳定性检验 一元线性回归模型及其应用 一、一元线性回归模型 一元线性回归模型是用于描述两个变量之间的线性关系的计量模型,它是多元线性回归模型和非线性回归模型的基础,在金融实证分析中有较广泛的运用 一元线性回归模型可表达为 (2.1) 为被解释变量或因变量; 为解释变量或自变量;为误差项或扰动项,该项表示变化中 未被 所解释的部分;为样本个数。 一元线性回归模型及其应用 古典线性回归模型包含一系列基本假设,这些假设包括: (1)随机误差项具有零均值和同方差性,即E(μi ) = 0,Var(μi ) = (2)随机误差项之间不相关,即E(μi , μj ) = 0,ij,i、j = 1, 2, …, T (3)解释变量与随机误差项不相关,即E(xi , μj ) = 0,ij,i、j = 1, 2, …, T (4)随机误差项(random error term)服从均值为零,同方差的正态分布,即μi~N(0,) (5)一般假定解释变量具有非随机特征,这个假定说明被解释变量的概率分布具有均值 一元线性回归模型及其应用 二、最小二乘法(OLS) 最小二乘法的基本原则是:最优拟合直线应该使各点到直线的距离绝对值之和最小。为了数学表达方便,剔除正负号的影响,上述原则可变为距离的平方和最小。假定根据这一原理估计得到的 、 分别为 、 ,则直线可表达为 。 一元线性回归模型及其应用 根据前面的定义,最小二乘法就是使得直线与各散点的距离的平方和最小,实际上是使残差平方和 (residual sum squares,简称RSS) 最小化 根据最小化的一阶条件,将上式分别对 、 求偏导,并令其为零,即可得到如下结果: 一元线性回归模型及其应用 三、最小二乘估计量的性质 (1)线性无偏性 , 是参数 , 的线性无偏估计。 线性即估计量是另一随机变量的线性函数 无偏性即估计量的均值或者期望等于总体参数的真实值。 一元线性回归模型及其应用 (2)一致性(consistency) : , 是参数 , 的一致性估计。一致性即当样本容量趋于无穷大时,估计量依概率收敛于总体参数的真实值。 (3)有效性 : , 是参数 , 所有可能的线性无偏估计量中具有最小方差的估计量。 一元线性回归模型及其应用 四、参数估计的精确性和性质 由上文可知,OLS的估计值会因为样本数据的不同而不同,那么我们就希望知道通过OLS估计出的参数值的精确度和可靠性,也就是说我们有必要知道是否存在估计值的置信度,以及这种置信度是否会随着选取样本的不同而显著地改变。通常,对参数精确性和可靠性的估计可以用它的标准误差(Standard Error)来表示。 一元线性回归模型及其应用 参数估计值的标准差具有如下性质: (1)样本T越大,系数标准误差越少。 (2)系数的标准误差都依赖于s,从前面的内容可知, 是残差方差估计值,该值越大,残差就越离散,模型的不确定性越大,即数据点偏离回归线的幅度越大。 (3)两个公式中都出现了 偏离它们的均值的平方和 ,且都在分母中,所以平方和越大,系数方差越少。 一元线性回归模型及其应用 案例分析2-1一元回归方法的运用——证券市场过度反应吗? DeBondt和Thaler(1985,1987)的两项研究结果显示,对于先前业绩相当好的股票,当它们经历了3~5年的较差业绩以后,会趋向于出现超常业绩。这意味着平均来讲,之前在收益上为“输者”的股票以后会成为“赢者”,反之亦然。 Clare和Thomas在英国股票市场随机抽取了1000个样本公司,通过一定的方法将公司的业绩进行排序和划分组合资产形成阶段,并计算出赢者(组合资产形成阶段20%的业绩最佳的公司)和输者(20%业绩最差的公司)在18、9、或6个阶段每月的平均收益的差额,定义为 。 第一个回归是输者相对于赢者的超额收益对常数进行回归: 一元线性回归模型及其应用 上述方程的回归结果如表所示。通过对表前两行输者收益和赢者收益的比较可知,12个月对于输者变成赢者并不是充分长的时间,在2年或3年后,输者成为了赢者。同时在样本中剔除1

文档评论(0)

wt60063 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档