一元线性回归
线性假定并不要求严格线性关系,自变量和因变量可通过变脸替换而转换成线性模型
内生性与外生性
核心解释遍历与控制变量
关于取对数
一些笔记
论文参考
养老金模型
SARS模型
STATA分析
数据的描述性统计
对定性数据的描述统计如果产生大量表格,可用excel进行分析
回归语句
关注调整后的R2
标准化回归(剔除量纲影响)
衡量自变量对因变量的重要程度
检验异方差
异方差
异方差的假设检验 BP检验
怀特检验
解决异方差
使用OLS加稳健的标准误
检验多重共线性
多重共线性处理
逐步回归
代码
以下代码仅用来反映内生性的危害
%% 蒙特卡洛模拟:内生性会造成回归系数的巨大误差
times = 300; % 蒙特卡洛的次数
R = zeros(times,1); % 用来储存扰动项u和x1的相关系数
K = zeros(times,1); % 用来储存遗漏了x2之后,只用y对x1回归得到的回归系数
for i = 1: times
n = 30; % 样本数据量为n
x1 = -10+rand(n,1)*20; % x1在-10和10上均匀分布,大小为30*1
u1 = normrnd(0,5,n,1) - rand(n,1); % 随机生成一组随机数
x2 = 0.3*x1 + u1; % x2与x1的相关性不确定, 因为我们设定了x2要加上u1这个随机数
% 这里的系数0.3我随便给的,没特殊的意义,你也可以改成其他的测试。
u = normrnd(0,1,n,1); % 扰动项u服从标准正态分布
y = 0.5 + 2 * x1 + 5 * x2 + u ; % 构造y
k = (n*sum(x1.*y)-sum(x1)*sum(y))/(n*sum(x1.*x1)-sum(x1)*sum(x1)); % y = k*x1+b 回归估计出来的k
K(i) = k;
u = 5 * x2 + u; % 因为我们回归中忽略了5*x2,所以扰动项要加上5*x2
r = corrcoef(x1,u); % 2*2的相关系数矩阵
R(i) = r(2,1);
end
plot(R,K,'*')
xlabel("x_1和u'的相关系数")
ylabel("k的估计值")