面板数据非线性回归模型及估计
计量经济学基础-非线性回归模型
第四节 非线形回归模型一、 可线性化模型在非线性回归模型中，有一些模型经过适当的变量变换或函数变换就可以转化成线性回归模型，从而将非线性回归模型的参数估计问题转化成线性回归模型的参数估计，称这类模型为可线性化模型。
在计量经济分析中经常使用的可线性化模型有对数线性模型、半对数线性模型、倒数线性模型、多项式线性模型、成长曲线模型等。
1．倒数模型我们把形如:u xb b y ++=110；u x b b y ++=1110 （3.4.1） 的模型称为倒数(又称为双曲线函数)模型。
设：xx 1*=，y y 1*=，即进行变量的倒数变换，就可以将其转化成线性回归模型。
倒数变换模型有一个明显的特征：随着x 的无限扩大，y 将趋于极限值0b (或0/1b )，即有一个渐进下限或上限。
有些经济现象(如平均固定成本曲线、商品的成长曲线、恩格尔曲线、菲利普斯曲线等)恰好有类似的变动规律，因此可以由倒数变换模型进行描述。
2．对数模型模型形式：u x b b y ++=ln ln 10 （3.4.2）(该模型是将ub e Ax y 1=两边取对数，做恒等变换的另一种形式，其中A b ln 0=)。
上式lny 对参数0b 和1b 是线性的，而且变量的对数形式也是线性的。
因此，我们将以上模型称为双对数(double-log)模型或称为对数一线性(log-liner)模型。
令：x x y y ln ,ln **==代入模型将其转化为线性回归模型： u x b b y ++=*10* （3.4.3）变换后的模型不仅参数是线性的，而且通过变换后的变量间也是线性的。
模型特点：斜率1b 度量了y 关于x 的弹性：xdx y dy x d y d b //)(ln )(ln 1== （3.4.4） 它表示x 变动1%，y 变动了多少，即变动了1b %。
模型适用对象：对观测值取对数，将取对数后的观测值（lnx ，lny ）描成散点图，如果近似为一条直线，则适合于对数线性模型来描述x 与y 的变量关系。
非线性回归模型-研究生
Pa ra m ete r
A .004
B .166
.034
.008
.009
.146
.007
.158
.007
.158
.011
.144
.011
.144
.014
.142
.014
.142
.020
.134
.020
.134
.025
.129
.025
.129
.037
.119
.037
.119
.048
.114
.048
.114
108.796
20
Dep endent variable: 肉 瘤 体 积 (cm3 )
a. R squared = 1 - (Residual Sum of Squares) / (Corrected Sum of Squares) = .968.
根据参数估计结果，回归方程为 y=0.161e0.086 x
Parameter Estimates
Pa ra m ete r A
B
Esti ma te .161 .086
Std. Error .035 .005
95% Confidence Interval
Lower Bound Upper Bound
.088
.234
.075
.097
Correlations of Parameter Estimates
估计参数
由于期望函数并非直线，使得模型无法 直接计算出最小二乘估计的参数值，因 此非线性回归模型一般采用高斯—牛顿 法进行参数估计。
泰勒级数展开，反复迭代求解。 基本思路：
非线性回归分析的入门知识
非线性回归分析的入门知识在统计学和机器学习领域，回归分析是一种重要的数据分析方法，用于研究自变量和因变量之间的关系。
在实际问题中，很多情况下自变量和因变量之间的关系并不是简单的线性关系，而是呈现出一种复杂的非线性关系。
因此，非线性回归分析就应运而生，用于描述和预测这种非线性关系。
本文将介绍非线性回归分析的入门知识，包括非线性回归模型的基本概念、常见的非线性回归模型以及参数估计方法等内容。
一、非线性回归模型的基本概念在回归分析中，线性回归模型是最简单和最常用的模型之一，其数学表达式为：$$Y = \beta_0 + \beta_1X_1 + \beta_2X_2 + ... + \beta_pX_p +\varepsilon$$其中，$Y$表示因变量，$X_1, X_2, ..., X_p$表示自变量，$\beta_0, \beta_1, \beta_2, ..., \beta_p$表示模型的参数，$\varepsilon$表示误差项。
线性回归模型的关键特点是因变量$Y$与自变量$X$之间呈线性关系。
而非线性回归模型则允许因变量$Y$与自变量$X$之间呈现非线性关系，其数学表达式可以是各种形式的非线性函数，例如指数函数、对数函数、多项式函数等。
一般来说，非线性回归模型可以表示为：$$Y = f(X, \beta) + \varepsilon$$其中，$f(X, \beta)$表示非线性函数，$\beta$表示模型的参数。
非线性回归模型的关键在于确定合适的非线性函数形式$f(X,\beta)$以及估计参数$\beta$。
二、常见的非线性回归模型1. 多项式回归模型多项式回归模型是一种简单且常见的非线性回归模型，其形式为： $$Y = \beta_0 + \beta_1X + \beta_2X^2 + ... + \beta_nX^n +\varepsilon$$其中，$X^2, X^3, ..., X^n$表示自变量$X$的高次项，$\beta_0, \beta_1, \beta_2, ..., \beta_n$表示模型的参数。
面板分位数回归模型
面板分位数回归模型面板分位数回归模型是一种用于分析什么因素会影响某个特定变量的统计模型。
它主要应用于面板数据分析中，旨在解释某个因变量在所研究个体之间的差异，以及这种差异如何随着独立变量的变化而改变。
本文将详细介绍面板分位数回归模型的相关概念、假设、解释和应用，帮助读者了解并运用这一模型。
什么是面板数据？面板数据（panel data）顾名思义，就是由多个时间点和多个个体组成的数据。
每个时间点，我们会针对同一组个体（如公司、城市、家庭等）观测它们的某些属性（如收入、投资、人口等）。
这就像一组交叉的时间序列数据，以时间为独立变量、以不同个体为分组变量。
面板数据有很多优点，比如可以避免交叉截面数据的选择偏差，同时可以对个体和时间进行深入分析，从多个角度突出数据中的趋势和变化。
什么是分位数回归？分位数回归是针对因变量分布的不对称性问题，采用分位数的思想进行统计分析的方法。
它在传统回归的基础上，拓展了解释变量和因变量之间的关系，不仅关注均值，还能反映其它分位数点的差异。
这点对于非线性关系、异方差的回归模型而言，具有更广泛的适用性。
例如：如果我们用年收入来预测房价，直接拟合一个经典的线性回归模型可能效果并不好，因为一部分收入较低的人很难买得起较贵的房子，也存在一些高收入者低房价的情况。
如果我们使用分位数回归模型，我们可以更好地理解收入与房价之间的关系，因为我们能够在不同收入分位数下，看到收入与房价之间的具体关系。
面板分位数回归模型（Panel Quantile Regression, PQR）结合了面板数据和分位数回归两者的优点。
它是一种同时考虑时间和空间对一组个体差异进行分析的方法。
通过对每个个体在不同分位数下的条件分布函数建立模型，可以刻画出因变量随着独立变量的不同取值范围的变化规律。
像传统的面板数据模型一样，PQR模型也需要考虑固定效应和随机效应。
固定效应意味着个体之间差异和时间的差异是不同的，这些固定属性与模型中的控制变量一起被引入回归模型中。
非线性回归课件
§8.1 可化为线性回归的曲线回归
C o effi ci en ts
St andardi zed
U ns tandardize Cdoef f icie C oef f icients nts
Model
B Std. ErrorBeta
t
1
(C ons t8a.n1t9) 0 .043
190. 106
《非线性回归》PPT课件
§8.2 多项式回归
称回归模型
yi=β0+β1xi1+β2xi2+β11
x
2 i1
+β22
x
2 i2
+β12xi1xi2+εi
为二元二阶多项式回归模型。
它的回归系数中分别含有两个自变量的线性项系数β1 和β2， 二次项系数β11 和β22，并含有交叉乘积项系数β12。 交叉乘积项表示 x1与 x2的交互作用。
线性回归 y=b0+b1t
Regression Residuals
Analysis of Variance:
DF Sum of Squares
1
9454779005.1
16
1588574273.6
Mean Square 9454779005.1
99285892.1
F
Signif F
95.22782 .0000
Adjus t ed Rof t he
Model R R SquareSquareEs t imD atuerbin-W at s on
1
. 996a . 992
.89.971601E-02
. 616
a.Predic t ors : (C onst ant ), T
计量经济学：面板数据
Panel Data 分析的基本框架
线性模型 非线性模型
Panel Data 分析的基本框架：线性模 型
线性模型： （1）单变量模型 （2）联立方程模型 （3）带测量误差模型 （4）伪Panel Data
Panel Data 分析的基本框架：线性
模型之单变量模型
（1） 固定效应和固定系数模型（Fixed Effect Models and Fixed Coefficient Models）：通常采用OLS估计。固 定效应包括时间效应以及时间和个体效应，并可以进一 步放宽条件，允许在有异方差、自相关性和等相关矩阵 块情况下，用GLS估计。 （2）误差成分模型（Error Components Models）：最 常用的Panel Data模型。针对不同情况，通常可以用OLS 估计、GLS估计、内部估计（Within Estimator）和FGLS 估计，并检验误差成分中的个体效应以及个体和时间效 应，同时将自相关和异方差情况也纳入该模型框架中。
平行数据的含义
所谓平行数据，是指在时间序列上取多个 截面，在这些截面上同时选取样本观测值 所构成的样本数据。 面板数据是同时在时间和截面空间上取得 的二维数据。从横截面上看，是由若干个 体在某一时刻构成的截面观测值，从纵剖 面上看是一个时间序列。
平行数据研究的应用和发展
最早是Mundlak（1961）、Balestra和 Nerlove （1966）把Panel Data引入到经济计量中。从此 以后，大量关于Panel Data的分析方法、研究文 章如雨后春笋般出现在经济学、管理学、社会 学、心理学等领域。从1990年到目前为止，已 有近1000篇有关 Panel Data理论性和应用性的文 章发表，Panel Data 研究成为近十年来经济计量 学的一个热点。
非线性回归模型
除了对高斯－牛顿法非线性回归可以利用最后一次线 性近似函数线性回归的 t检验以外，检验非线性模型参 数的显著性还有多种其他方法。 下面这个渐近F分布的统计量就是其中的一种方法，即 [ S (β R ) S (β)] / g F (g, n k ) S (β) /( n k ) 这个统计量分子、分母中β 的是未对非线性模型参数 施加约束时的参数估计， β 则是对模型的某些参数施 S (β) 和S (βR )分别是对应两 加 0假设约束后的参数估计， 种参数估计的残差平方和，g是0约束参数的数量。
二、非线性模型的参数估计
参数估计也是非线性回归分析的核心步骤。非线 性回归分析参数估计的方法也有多种，基本方法同 样是最小二乘参数估计和最大似然估计。 在此，主要了解非线性回归参数的最小二乘估计，
也称“非线性最小二乘估计”。
非线性最小二乘估计就是求符合如下残差平方和
S (β) [Y f (X , β)][Y f (X , β)] ˆ ( ˆ , , ˆ ) 达到极小的β 值，即为 β 1 p 。为了方便起见 ，将把上述最优化问题的目标函数S (β) 称为“最小二 乘函数”。
1.判决系数
判决系数不涉及参数估计量的分布性质，也不需要做以这些分 布性质为基础的假设检验，因此非线性导致的问题并不影响该 统计量在评价回归方程拟合度方面的作用，仍然是评价非线性 模型合理程度的基本指标，或者说最重要的基本指标之一。 它们在非线性回归分析中的使用方法仍然是与在线性回归分析中 相同的。
R2 1
2 ( Y Y ) i
2 ˆ u i
2.t检验和总体显著性 F检验
一般在线性回归分析中检验参数显著性的标准的检验 方法，以及用于评价线性回归总体显著性的F统计量， 在非线性回归中都会遇到困难。 2 因为我们无法利用回归残差得到误差项方差 的无偏 估计。即使非线性模型的误差项 ε 服从 0均值的正态 分布，非线性回归的参数估计量，以及残差： ˆ , , ˆ ) ei Yi f ( X1 i , , X K i ; 1 P 也不像在线性回归中的参数估计和回归残差那样服从 2 正态分布，因此残差平方和不服从 分布，参数估计 量不服从正态分布，所以标准的t检验和F检验都无法 应用。
（概率论与数理统计专业论文）面板数据的非参数估计及应用
学位论文作者签名：者完全了解学校有关保留、使用学位论文的规定,即：学校有权保 留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅.本 人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检索, 可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文.
When we build econometric models, some factors are often not considered or observed. At this time, there is often error autocorrelation in the model and the estimates of parameter is not unbiased or effective. In this case, the panel data model is introduced, which can get unbiased estimates by not observing actual values when we missed a number of variables. But in most cases we can not determine the specific form of the model, which often generated model error. So we resort to nonparametric estimate to compensate for these deficiencies.
早在 1968 年，为了研究美国的贫困特征及原因，密西根大学社会科学研究所建 立了研究动态行为的面板数据 PSID（Panel Study of Income Dynamics），国家劳动力 市 场 长 期 调 查 面 板 数 据 NLS （ National Longitudinal Surveys of Labor Market Experience）被俄亥俄州立大学人力资源研究中心开发[3]。从这以后，美国为了研究 应用建立了很多大型面板数据库。在欧洲，1989 年德国建立了德国社会经济面板数 据集 GSOEP（Germen Socio-Economic Panel），1993 年加拿大建立了加拿大劳动力收 入动态调查面板数据 CSLID（Canadian Survey of Labor Income Dynamics），2002 年， 欧 共 体 统 计 办 公 司 建 立 了 欧 共 体 家 庭 面 板 数 据 ECHP （ European Community Household Panel）。Borus（1992）、Wagner（1993）和 Peracchi（2002）等西方经济 学家在热点问题研究中应用这些微观面板数据，并且在很多领域对这些问题进行了 广泛而深入的探讨 [4,5]。近年来，在宏观经济研究方面也出现了很多利用面板数据的 文献。在国际金融学领域，Chin 与 Johnston（1996）和 MachDonald 与 Nagayasu（2000） 等在研究实际汇率决定问题时使用一些国家的宏观面板数据检验购买力平价理论 （PPP）；在世界经济领域，Michael 与 Ralf（2003）Jansen（2000）等应用宏观面板 数据研究欧美国家的失业问题、东欧转型经济国家的出口变化和经济增长问题以及