エコノメトリックス 第2回 2011年前期 中村さやか 今日やること Ch. 2 The Simple Regression Model 2.1 Definition 2.2 Deriving the Ordinary Least Squares Estimates 2.1 Definition ある母集団に基づく二つの変数yとxについて • yをxによって説明する または • xが変化するとyがどう変化するか説明する 3つの疑問 1.他の要因もyに影響を与えるのではないか? 2.yとxの関係は? yはxのどんな関数? 3.xがyに与える因果関係を表せているか? 他の要因を全て一定にするという要件を満たしているか? 2.1 Definition 線形単回帰モデル simple (two-variable / bivariate) linear regression model y=β0+β1x+u y:説明される変数 x:説明する変数 u: x以外にyに影響を与える全ての要因 unobserved(観察されない)の頭文字をとってu β0:定数項 (intercept parameter, constant term) β1:勾配パラメータ (slope parameter) 2.1 Definition y=β0+β1x+u y:説明される変数 x:説明する変数 被説明変数 (explained variable) 説明変数 (explanatory varable) 従属変数 (dependent variable) regressand 独立変数 (independent variable) regressor u: 誤差項(error term) または 攪乱項(disturbance term) 2.1 Definition 線形単回帰モデル(y=β0+β1x+u)の例 • y: 収穫高, x: 肥料の量 • y:賃金, x: 教育年数 留意点: 1.このモデルではxの値に関わらずxが1増えるとyがβ1増える と仮定しているが、この仮定は必ずしも現実的ではない ⇒この仮定はゆるめることができる (2.4節参照) 2.このモデルを推定しても、xからyへの因果関係を測定できる とは限らない (2.5節参照) 2.1 Definition 線形単回帰モデル(y=β0+β1x+u)の重要な仮定 1.E(u)=0 • 一般性を失うことなく仮定できる 2.E(u|x)=E(u) • uの期待値はxに依存しない • uはxについて平均独立 (u is mean-independent of x) 1と2より、 E(u|x)=0 (zero conditional mean assumption) 2.1 Definition y=β0+β1x+u 1.yが賃金、xが教育年数、uが生まれつきの能力とする E(u|x)=E(u) が成り立っていると仮定 ⇒中卒・高卒・大卒で生まれつきの能力の平均は変わらない ⇒もし能力の高い人ほど教育年数が長いなら矛盾 2.yが収穫高、xが肥料の量、uが畑のもともとの(肥料を与え る前の)土壌の良さとする E(u|x)=E(u) が成り立っていると仮定 ⇒肥料をたくさん与えられた畑とそうでない畑のもともとの土 壌の良さの平均値は変わらない ⇒もし土壌の良い畑ほどたくさん肥料が与えられるなら矛盾 2.1 Definition E(u|x)=0 (zero conditional mean assumption) ⇒E(y|x)=E(β0+β1x+u|x)=β0+β1x+E(u|x) ⇒E(y|x)=β0+β1x 母集団回帰関数 (population regression function) yの平均値がxとともにどう変化するかを表している y= β0 + β1x systematic part +u unsystematic part Copyright © 2009 SouthWestern/Cengage Learning 2.2 Deriving the Ordinary Least Squares Estimates データを使ってパラメータの値(切片と傾き)を推定する 母集団から観察数nの標本を無作為抽出: {(xi, yi): i=1, …, n} 母集団について y=β0+β1x+u を仮定 ⇒ yi=β0+β1xi+ui i=1, …, n 例: yi=ある年1年間の世帯iの貯蓄 xi=ある年1年間の世帯iの所得 n=15 Copyright © 2009 South-Western/Cengage Learning 2.2 Deriving the Ordinary Least Squares Estimates 2.1の仮定: E(u)=0 (2.5, 2.10) E(u|x)=E(u) (2.6) 仮定(2.6)より Cov(x,u)=0 (2.11) • xの値がわかってもそれがuの期待値を変化させないならば、 xとuは相関していないはず (Appendix B, p736, Property CE.5 参照) E(u)=0 (2.10) ⇔ E(y-β0-β1x)=0 (2.12) Cov(x,u)=0 (2.11) ⇔ E[x(y-β0-β1x)]=0 (2.13) 2.2 Deriving the Ordinary Least Squares Estimates E(y-β0-β1x)=0 (2.12) E[x(y-β0-β1x)]=0 (2.13) 期待値がゼロ → 標本での平均値がゼロ 1 n (2.12) ( yi ˆ0 ˆ1 xi ) 0 (2.14) n i 1 1 n (2.13) xi ( yi ˆ0 ˆ1 xi ) 0 (2.15) n i 1 (2.14) ˆ0 y ˆ1 x (2.17) (2.17)→β1の推定値を得られればβ0の推定値も得られる 2.2 Deriving the Ordinary Least Squares Estimates 1 n xi ( yi ˆ0 ˆ1 xi ) 0 n i 1 ˆ0 y ˆ1 x (2.15) n (2.17)を (2.15)に代入すると x (y i 1 i i (2.17) ( y ˆ1 x ) ˆ1 xi ) 0 n n もし xi ( xi x ) が0でなければ、 i 1 ˆ1 x (y i 1 n i y) i x) i x (x i 1 i n 1 n ( xi x )( yi y ) ( xi x )( yi y ) S xy n 1 i 1 i 1 2 n n 1 Sx 2 2 ( x x ) ( x x ) i i n 1 i 1 i 1 まず上式によって 1を推定し、次に (2.17)より 0を推定する n x (x i 1 i i x ) 0 になる例 ( xの標本分散がゼロ) Copyright © 2009 South-Western/Cengage Learning 2.2 Deriving the Ordinary Least Squares Estimates 別の導出法 yˆ ˆ ˆ x (yの予測値 /fitted value for y ) uˆi yi yˆ i yi ˆ0 ˆ1 xi (残差/residual ) i 0 1 i 残差の二乗和 ( sum of squared residuals )は n n ˆ ˆ x ) 2 ˆ u ( y i i 0 1i 2 i 1 i 1 残差の二乗和を最小化 する ˆ0と ˆ1を求めると、 上式を ˆ と ˆ でそれぞれ微分すると ゼロになることが 0 1 最適化の必要条件なの で n n i 1 i 1 2 ( yi ˆ0 ˆ1 xi ) 0 2 xi ( yi ˆ0 ˆ1 xi ) 0 これは (2.14)( 2.15)と同値 Copyright © 2009 South-Western/Cengage Learning 2.2 Deriving the Ordinary Least Squares Estimates • (2.14)(2.15)による推定法を最小二乗法 (ordinary least squares, OLS)という • 名前の由来: 残差の二乗和を最小にする推定値 Q: • なぜ残差の二乗和を最小化するのか? • 例えば残差の絶対値の和を最小化してはどうか? A: • 残差の絶対値を最小化する推定法もある(9.4参照) • 最小二乗法の利点:推定法がシンプルなので統計理論が応 用しやすく、不偏性、一致性等の優れた性質がある 2.2 Deriving the Ordinary Least Squares Estimates E(y|x)=β0+β1x yˆi ˆ0 ˆ1 xi 母集団回帰関数 (population regression function, PRF) 標本回帰関数 (sample regression function, SRF) OLS回帰直線 (OLS regression line) • 不変・観察できない • サンプルが違えば推定さ れるパラメタの値も違う salary: 社長の年収 ($1000) roe: return on equity 自己資本利益率 Copyright © 2009 South-Western/Cengage Learning 2.2 Deriving the Ordinary Least Squares Estimates yˆi ˆ0 ˆ1 xi 切片はxが0のときのyの予測値を示す → あまり意味がないことが多い yˆ ˆ 1 x yˆ ˆ1x xが変化したらyがどれだけ変化するかを示す
© Copyright 2024 ExpyDoc