截面与面板数据分析 · 经济学专业本科生课程
Simple Linear Regression · Chapter 2
一条直线 + 一组残差:本课程所有方法的起点
Y = β0 + β1X + u;OLS 在最小化什么;拟合优度 R²
三个假设保证无偏一致;标准误由什么决定
哪种方差更现实;稳健标准误;BLUE 的适用范围
t 统计量、单边双边、p 值、置信区间怎么读
Yi = β0 + β1Xi + ui
i = 1, …, n 个学区;Y 为平均成绩,X 为平均班级规模
X 每增加 1 单位,Y 平均变化 β1。我们最关心的系数,因为它表示 X 与 Y 关系的方向和大小。
X = 0 时 Y 的预测值。常常没有实际含义(班级规模为 0 无意义),只是让直线位置合适。
除 X 之外所有影响 Y 的因素:遗漏变量、测量误差、个体随机性。它承认我们解释不了全部。
术语 Y 叫因变量(dependent variable)或被解释变量;X 叫自变量(independent variable)或回归变量(regressor)。
拖动截距和斜率,看残差平方和 SSR 怎么变;再点"显示 OLS 最优"对比。
SSR = Σ ûᵢ² = —
—
OLS 的选择就是让 SSR 最小的那条线;任何别的线 SSR 都更大。
β̂1 =Σi=1n (Xi − X̄)(Yi − Ȳ)Σi=1n (Xi − X̄)2=sXYsX2
β̂0 = Ȳ − β̂1X̄
预测值与残差 Ŷi = β̂0 + β̂1Xi,ûi = Yi − Ŷi。注意区分:β、u 是总体里未知的真值,β̂、û 是用样本算出的估计。
读法 β̂1 是 X 与 Y 的样本协方差除以 X 的样本方差:X 变动时 Y 跟着同向变动的部分,按 X 自身的变动幅度标准化。
Σ (Yi − Ȳ)2
Y 围绕自己均值的总波动
Σ (Ŷi − Ȳ)2
被回归线解释掉的部分
Σ ûi2
线解释不了、剩下的部分
SST = SSE + SSR R2 = SSESST = 1 − SSRSST
R² 是"回归线解释的波动占总波动的比例",介于 0 与 1 之间。
提醒 R² 高不等于因果、也不等于模型对;它只回答"拟合得好不好",不回答"识别得对不对"。
误差与 X 不相关。若遗漏变量又与 X 相关,这条就破,估计有偏——这是后面所有内生性讨论的源头。
样本是随机抽样的结果,观测之间相互独立。简单随机抽样满足它;聚类或面板数据要另外处理。
X 和 Y 不存在极端到主导一切的观测。一个超级异常点就能把 OLS 线拽走。
结论 三个假设都成立时,β̂0、β̂1 是无偏且一致的:样本越大,估计越贴近真值。
σ2β̂1 = 1n · var[(Xi − μX)ui][var(Xi)]2
大样本下 β̂1 近似正态,方差由上式给出(SW 4.21)
同方差时简化为 SE(β̂1) = √σu2n · σX2
三个决定因素:样本量 n 越大越准;X 的波动 σX 越大越准;误差的波动 σu 越大越不准。
—
固定 σX = 2 作演示。注意 SE 按 1/√n 缩小:n 翻四倍,SE 才减半。
残差上下 spread 大致恒定。
X 越大残差 spread 越开(喇叭形)。
哪个更现实? 取决于应用,但经济理论很少给出误差同方差的理由。除非有充分依据,一般接受异方差。
实践含义 异方差下若仍按同方差算标准误,SE 不准、检验失真。直接用异方差稳健标准误即可;即便真实是同方差,用它也不影响结果。所以默认开稳健 SE 是最省心的做法。
在同方差以及前述假设下,OLS 是所有线性无偏估计量中方差最小的,即 BLUE(Best Linear Unbiased Estimator)。"Best" 指方差最小,"Linear" 指对 Y 线性。
但注意前提:同方差。一旦异方差,OLS 仍无偏一致,却不再是最有效的;而稳健标准误修正的正是推断部分。这就是"估计用 OLS、推断用稳健 SE"的组合。
也不要迷信 BLUE:它只在"线性无偏"这个圈子里比。若愿意放弃无偏或线性,存在方差更小的估计量;效率不是唯一标准,无偏性与稳健性同样重要。
t = β̂1 − β1,0SE(β̂1) CI: β̂1 ± 1.96·SE
检验 H₀: β1 = 0;95% 置信区间用 ±1.96 个标准误
t = — 95% CI = [—, —]
—
单边 vs 双边 H₁: β1 ≠ 0 是双边;H₁: β1 < 0 是单边。两者 t 统计量构造相同,差别只在对尾部的解释:单边只看一侧的尾概率。
这节课讲了什么
Y = β0 + β1X + u;β1 是关系的方向与大小,u 承认解释不了全部
OLS 最小化 SSR;R² 只回答拟合好坏,不回答因果
三个假设给无偏一致;SE 随 n 增大按 1/√n 缩小;默认用稳健 SE
t 统计量与置信区间;CI 不含 0 等价于 5% 水平拒绝
某回归得 β̂₁ = −1.20,SE = 0.48,n = 420。
请回答(点一下看提示):
一条拟合线可以很好地描述数据,却不一定回答"因为 X 所以 Y"。
把描述当因果,是实证研究里最常见也最贵的错误。
本章的工具是地基;第七章的识别策略,才是把关系变成证据的桥梁。
经世济民,学以致用。
课后思考:找一个 R² 很高但显然不是因果的回归例子(如冰淇淋销量与溺水人数),说明误差项里藏着什么。