计量经济学 第3章.pptVIP

Introductory Econometrics for Finance Copyright 2002, Chris Brooks 计量经济学 第 3 章 一元回归模型的参数估计 2.1 参数的普通最小二乘估计（OLS） 给定一组样本观测值（Xi, Yi）（i=1,2,…n）要求样本回归函数尽可能好地拟合这组值. 普通最小二乘法（Ordinary least squares, OLS）给出的判断标准是：选择合适的参数使得观察值的残差平方和最小。 例1 续 在例1中，把数据代入公式得： = -1.74 和 = 1.64. 拟合直线可以写成: 如果一个分析家告诉你，他预期下一年的市场回报将会比无风险回报高20%，那么你预期基金 XXX 的回报将会是多少? 基金XXX 回报的期望值 y = -1.74 + 1.64 * x的值, 把 x = 20 代入得: 3.2 最小二乘估计量的性质* 当模型参数估计出后，需考虑参数估计值的精度，即是否能代表总体参数的真值，或者说需考察参数估计量的统计性质。 没有任何估计量比最小二乘估计量具有更小的方差 两边同时求期望，得到 本章的重点概念 普通最小二乘法的基本思想 选择合适的参数使得观察值的残差平方和最小。 线性回归模型并非意味着因变量是自变量的线性函数 线性回归模型本质上指的是参数线性，而不是变量线性。同时，模型与函数不是同一回事。模型只是假设，而函数之间的真实关系不可知。 中心极限定理 古典线性回归模型的基本假定 回归模型随机误差项μi满足哪些条件时，称为古典线性回归模型？ 随机扰动项产生的原因 作业 证明： （1）在误差项的假设中， 如果假设1、2满足，则假设3也满足； （2）如果假设4满足，则假设2也满足。 * * * 3.1 线性回归模型的基本假设 假设1、解释变量X是确定性变量，不是随机变量； 假设2、随机误差项e具有零均值、同方差和序列不相关性： E(ei)=0 i=1,2, …,n Var (ei)=?e2 i=1,2, …,n Cov(ei, ej)=0 i≠j i,j= 1,2, …,n 假设3、随机误差项e与解释变量X之间不相关： Cov(Xi, ei)=0 i=1,2, …,n 假设4、e服从零均值、同方差、零协方差的正态分布 ei~N(0, ?e2 ) i=1,2, …,n 1、如果假设1、2满足，则假设3也满足; 2、如果假设4满足，则假设2也满足。 注意： 以上假设也称为线性回归模型的古典假设，满足该假设的线性回归模型，也称为古典线性回归模型（Classical Linear Regression Model, CLRM）。 注意： μ为总体回归方程中随机误差项， ei为在样本回归方程中的残差项，二者的记号不同。 从概念上讲，它与μ i类似，可看做μ i的估计量。样本回归函数中生成ei的原因与总体回归函数中生成ui的原因相同。 记 上述参数估计量可以写成： 称为OLS估计量的离差形式（deviation form）。 由于参数的估计结果是通过最小二乘法得到的，故称为普通最小二乘估计量（ordinary least squares estimators）。 在计量经济学中，往往以小写字母表示对均值的离差。 例3.1：在上述家庭可支配收入-消费支出例中，对于所抽出的一组样本数，参数估计的计算可通过下面的表进行。 因此，由该样本估计的回归方程为： 一个用于考察总体的估计量，可从如下几个方面考察其优劣性： （1）线性性，即它是否是另一随机变量的线性函数； （2）无偏性，即它的均值或期望值是否等于总体的真实值； （3）有效性，即它是否在所有线性无偏估计量中具有最小方差。 （4）渐近无偏性，即样本容量趋于无穷大时，是否它的均值序列趋于总体真值； （5）一致性，即样本容量趋于无穷大时，它是否依概率收敛于总体的真值； （6）渐近有效性，即样本容量趋于无穷大时，是否它在所有的一致估计量中具有最小的渐近方差。 这三个准则也称作估计量的小样本性质。 拥有这类性质的估计量称为最佳线性无偏估计量（best liner unbiased estimator, BLUE）。 当不满足小样本性质时，需