回归分析

回归分析：研究X与Y的相关关系（解释/预测）

一、概论：

​相关性: **不等于因果性**​

回归分析的使命 ：

1. 识别变量 X 是否与 Y 真正相关-变量选择-逐步回归法
2. 相关性的方向-正相关/负相关
3. (可能先标准化）- 赋予 X 权重 （回归系数）
4. 回归系数的显著性/回归系数的区间

​​

1. 横截面数据：在某一时点收集的不同对象的数据（2021 年各省的 GDP）
2. 时间序列数据：对同一对象在不同时间连续观察所取得的数据（近 100 年欧亚大陆人口）
3. 面板数据：横截面数据与时间序列数据综合（近十年各省的结婚率）

​​

数据收集：

• 微观数据：

  人大经济论坛：https://bbs.pinggu.org

• 知网/谷歌学术/知乎

• 国家统计局：最全面，月度季度年度，各地区各部门各行业

  https://data.stats.gov.cn/

• awesome-public-datasets(github 的一个项目）

  包含了经济、地理、能源、教育等领域的数据

  https://github.com/awesomedata/awesome-public-datasets

• 其他：

  ● 中国科学数据中心

  ● 中国人口和就业统计数据库 ​

  ● 中经网 中国经济相关的各种数据

  ● 中国地质调查局地质数据中心

  提供了大量地质调查相关的数据

  ● 中国社会科学院数据库

  提供了社会科学领域的大量数据

  ● 中国生态环境数据库

  ● 中国气象数据网

  提供了全国各地的气象数据

  ● 中国教育在线

  包括考试数据、学校排名等。

  ● 中国疾病预防控制中心

  提供了疾病控制和预防相关的数据

  ● 中国国家地理信息公共服务平台

  提供了大量的地理信息数据

  ● 新浪财经

  发布了大量的财经数据，包括股市数据、经济数据等。

• 爬虫

  Python 软件爬取-8 月 7 号开始学习

  傻瓜式软件爬取（八爪鱼）

二、线性回归

​​

​​

​线性假定不要求初始 X 与 Y 呈现严格的线性关系，而是可以通过对 X 与 Y 进行变量替换转化为线性模型​

数据处理软件：

1.python（读写 Excel）-基本掌握

2.Excel（基础）-有一点盲区

3.Stata（统计分析软件）（命令行方式） -正在学习

外生性与内生性：

​​

μ为无法观测且满足一定条件的扰动项

我们可以对扰动项进行一些假定（比如正态分布）

外生性： 扰动项 μ 和所有自变量 X 均不相关，则该回归模型具有外生性

内生性：反之会导致内生性，导致回归系数不准确，不满足无偏和一致性

解法：

核心解释变量：最重要的，最希望研究的变量

控制变量：所有与核心解释变量相关的变量，以保持非内生性

回归系数的解释：

​​

​Xi 的系数的意义在于：Xi 每增加一个单位，对 Yi 平均的变化​

何时取对数： （经验法则）

（1）与市场价值相关的，例如，**价格、销售额、工资**等都可以取对数；

（2）以年度量的变量，如受教育年限、工作经历等通常不取对数；

（3）比例变量，如失业率、参与率等，两者均可；

（4）变量取值必须是非负数，如果包含 0，则可以对 y 取对数 ln(1+y);

取对数的好处：

（1）减弱数据的异方差性

（2）如果变量本身不符合正态分布，取了对数后可能渐近服从正态分布

（3）模型形式的需要，让模型具有经济学意义

回归系数的解释:

1、一元线性回归：𝑦 = 𝑎 + 𝑏𝑥 + 𝜇，x 每增加 1 个单位，y 平均变化 b 个单位

2、双对数模型：𝑙𝑛𝑦 = 𝑎 + 𝑏𝑙𝑛𝑥 + 𝜇，x 每增加 1% ，y 平均变化 b%（2023C 题）

3、半对数模型：𝑦=𝑎 + 𝑏𝑙𝑛𝑥 + 𝜇，x 每增加 1%，y 平均变化 b/100 个单位

4、半对数模型：𝑙𝑛𝑦=𝑎 + 𝑏𝑥 + 𝜇，x 每增加 1 个单位，y 平均变化(100b)%

虚拟变量的解释：

单分类虚拟变量设置：

​​

多分类虚拟变量设置：

​​

含交叉项的自变量：

​​

拟合优度 R**²**较低：

（1）回归分为解释型回归和预测型回归

预测型回归更看重 𝑅​²
解释型回归关注模型整体显著性以及自变量的统计显著性/经济意义显著

（2）可以对模型进行调整，例如对数据取对数或者平方后再进行回归。

（3）数据中可能有存在异常值或者数据的分布极度不均匀。

（4）关于拟合优度和调整后的拟合优度(adj-R​**²**​ )

*我们引入的自变量越多，拟合优度会变大。但我们倾向于使用调整后的拟合优度，如果新引入的自变量对 SSE 的减少程度特别小，那么调整后的拟合优度反而会减小。（重要）*​ （尚未理解） 😭

其中：​

标准化回归系数：（为了去除量纲的影响）（学习 Stata 标准化回归命令）

对数据进行标准化：

• 将原始数据减去它的均数后
• 再除以该变量的标准差得到新的变量值
• 新变量构成的回归方程称为标准化回归方程
• 回归后相应可得到标准化回归系数。

解释含义：标准化系数的绝对值越大，说明对因变量的影响就越大（只关注显著的回归系数）

扰动项需要满足的条件：

古典回归模型默认为​球型扰动项：满足同方差与无自相关

下面是对同方差的解释： （所谓同方差就是满足正态分布的意思）

​X 为多元自变量，Var 为扰动项在多元变量 X 下的协方差矩阵，如图所示的情况即为同方差

其中：cov(X, Y) = E\left[(X - E[X])(Y - E[Y])\right]

实际数据中：

横截面数据容易出现异方差问题

时间序列数据容易出现自相关问题（数学建模不在乎自相关）

异方差的假设检验方法：

​​

​原假设：不存在异方差

• 推荐使用怀特检验

• 异方差会导致的问题：

  假设检验无法使用（构造的统计量失效）

  OLS 估计量不再是最优线性无偏估计量（BLUE）（估计值偏差大/R​²​太小）

• 解决办法：

  （1）使用 OLS + 稳健的标准误（与异方差“和平共处”）

  （2）广义最小二乘估计法 GLS

  原理：方差较小的数据包含的信息较多，我们可以给予信息量大的数据更大的权重（即方差较小的数据给予更大的权重）

  缺点：不知道扰动项真实的协方差矩阵，只能用样本数据来估计，结果不稳健，存在偶然性

• 推荐使用 OLS+ 稳健标准误

多重共线性（本质上就是列向量的线性相关性）

​​

造成的后果：

• 方差增大，系数估计不准确/标准误较大/单个系数的 t 检验不显著
• 增减解释变量使得系数估计值发生较大变化

检验多重共线性：

​​

Stata 命令：estat vif

多重共线性处理方法：

1. 若不关心具体的回归系数，而只关心整个方程预测被解释变量的能力，则不需要处理。这是因为多重共线性的主要后果是使得对单个变量的贡献估计不准，但所有变量的整体效应仍可以较准确地估计。
2. 如果关心具体的回归系数，但多重共线性并不影响所核心变量的显著性，那么也可以不处理。
3. 如果多重共线性影响到所关心变量的显著性，则需要增大样本容量/剔除导致严重共线性的变量（不要轻易删除，可能会有内生性的影响） / 对模型设定进行修改。

逐步回归分析方法：

推荐使用：向后逐步回归 Backward elimination：

与向前逐步回归相反：

• 先将所有变量均放入模型
• 尝试将其中一个自变量从模型中剔除
• 观察整个模型解释因变量的变异是否有显著变化
• 将没有解释力的那个自变量剔除（高于 p-value 设置的阈值）
• 此过程不断迭代，直到没有自变量符合剔除的条件。

​​

需要回过头检验多重共线性

三、岭回归与 lasso 回归（处理多重共线性）

概论介绍：（岭回归与 lasso 回归一定要量纲统一）

岭回归和 lasso 回归在 OLS 回归模型的损失函数上加上了​不同****的惩罚项，该惩罚项由回归系数的函数构成

一方面，加入的惩罚项能够识别出模型中不重要的变量，对模型起到简化作用，可以看作逐步回归法的升级版

另一方面，加入的惩罚项能够让模型变得可估计，可以处理之前的数据不满足列满秩的情况

背景前提：古典回归模型：

线性假定

严格外生性

无多重共线性

球型扰动项（同方差且无自相关）

岭回归（几乎不用）（逆天推导）：

\hat{\beta} = \arg \min_{\beta} \left( \sum_{i=1}^{n} (y_i - X_i\beta)^2 + \lambda \sum_{j=1}^{p}\beta_j^2 \right)

其中：

• ( n ) 是样本数量
• ( p ) 是自变量的数量
• ( y_i ) 是第 ( i ) 个观察值的因变量。
• ( X_i ) 是第 ( i ) 个观察值的自变量向量。
• ( \beta ) 是待估计的回归系数向量。
• ( \lambda ) 是正则化参数（岭参数）控制正则化的强度

Lasso 回归：

\min_{\beta} \left( \frac{1}{2n} \sum_{i=1}^{n} (y_i - X_i \beta)^2 + \lambda \|\beta\|_1 \right)

其中：

• ( n ) 是样本数量。
• ( y_i ) 是第 ( i ) 个样本的实际输出。
• ( X_i ) 是第 ( i ) 个样本的特征向量。
• ( \beta ) 是待估计的回归系数向量。
• ( |\beta|_1 ) 是回归系数 ( \beta ) 的 L1 范数（即系数绝对值的和）。
• ( \lambda ) 是正则化参数，控制惩罚项的权重。

优点：将不重要的变量的回归系数的压缩至 0

缺点：无解析解，只能使用近似估计法（坐标轴下降法和最小角回归法）

使用场景：存在多重共线性的问题/筛选去掉不重要的变量

步骤如下：

（1）判断自变量的量纲是否一样，如果不一样则首先进行标准化的预处理

（2）对变量使用 lasso 回归，记录下 lasso 回归结果表中回归系数不为 0 的变量，这些变量就是留下来的重要变量，其余未出现在表中的变量可视为引起多重共线性的不重要变量。

（3）然后进行回归，并分析回归结果即可。（注意：此时的变量可以是标准化前的，也可以是标准化后的，因为 lasso 只起到变量筛选的目的）

K 折交叉验证（k‐fold cross validation）

使用 K 折交叉验证的方法来​选择最佳的调整参数

步骤：

• 将样本数据随机分为 K 个等分
• 将第 1 个子样本作为 验证集（validation set） 而保留不用
• 使用其余 K-1 个子样本作为 训练集（training set） 来估计此模型，再以此预测第 1 个子样本，并计算第 1 个子样本的 “均方预测误差”MSPE
• 其次，将第 2 个子样本作为验证集，而使用其余 K-1 个子样本作为训练集来预测第 2 个子样本，并计算第 2 个子样本的 MSPE。
• 以此类推，将所有子样本的 MSPE 加总，即可得整个样本的 MSPE。
• 最后，选择调整参数 ，使得整个样本的 MSPE 最小，故具有最佳的预测能力。

四、综上所述：

回归分析part尚未完成任务-hxw

1. Stata 操作还不太熟悉（描述性统计……）（整理一个操作文档）

2. 基于python 的爬虫还在学习中

3. 课程中提到需要掌握作图可视化

4. 有时间再看看计量经济学（林文夫）不懂的地方

   • 虚拟变量的理解

   • 调整后的拟合优度的理解

   • 异方差检验的问题（置信水平……）

   • 多重共线性（有点听不懂）

5. 总结回归分析的步骤流程

五、总结回归分析的步骤流程

第一种情形：（自定自变量）

1. 数据收集确定各类变量类型与变量形式(次数与取对数）

2. 给出我们希望得到的线性回归模型（自定自变量）

   （可一元可多元）

   （如果希望得到变量中哪些影响大，则进行数据标准化）

   ​​

3. 使用 OLS + 稳健的标准误回归求解回归系数

4. 检验多重共线性

5. 检验回归系数的显著性以及回归的拟合优度

6. 解释回归系数

第二种情形：不知道使用哪些自变量

1. 数据收集确定各类变量类型与变量形式(次数与取对数）

2. 使用结合 K 折交叉验证的 Lasso 回归

   （需要数据标准化）

   （通过 Lasso 回归去掉不重要的变量以及解决多重共线性的问题）

   筛选出了变量之后相等于回到第一种情形

   （可以使用 Lasso 得到的标准化回归方程，可以不用，使用 OLS + 稳健的标准误得到正常回归方程）

   ​

3. 检验异方差

4. 检验回归系数的显著性以及回归的拟合优度

5. 解释回归系数

注意：多重共线性有时候是可以允许存在的

多重共线性处理方法：

1. 若不关心具体的回归系数，而只关心整个方程预测被解释变量的能力，则不需要处理。这是因为多重共线性的主要后果是使得对单个变量的贡献估计不准，但所有变量的整体效应仍可以较准确地估计。
2. 如果关心具体的回归系数，但多重共线性并不影响所核心变量的显著性，那么也可以不处理。
3. 如果多重共线性影响到所关心变量的显著性，则需要增大样本容量/剔除导致严重共线性的变量（不要轻易删除，可能会有内生性的影响） / 对模型设定进行修改。

​​