新计量经济学 教学课件 林清泉 著 ets3.pptVIP

第三章 双变量线性回归模型 （简单线性回归模型） （Simple Linear Regression Model） 第一节 双变量线性回归模型的估计 一. 双变量线性回归模型的概念 设 Y = 消费, X = 收入, 我们根据数据画出散点图 Y * 这意味着 * Y = ? + ?X (1) * 我们写出计量经济模型 * Y = ? + ?X + u (2) * 其中 u = 扰动项或 误差项 Y为因变量或被解释变量 图1 X X为自变量或解释变量 ?和? 为未知参数 双变量线性回归模型的统计假设 (1). E(ut) = 0, t= 1, 2, ...,n 即各期扰动项的均值(期望值)为0. (2). E(uiuj) = 0 i? j 即各期扰动项互不相关. (3). E(ut2 ) = ?2 , t= 1, 2, ...,n 即各期扰动项方差是一常数. (4). 解释变量Xt 为非随机量 即Xt的取值是确定的, 而不是随机的. (5). ut ~ N( 0, ?2 ) , t= 1, 2, ...,n 即各期扰动项服从正态分布。 2.最小二乘原理 我们的任务是， 在给定X和Y的一组观测值 (X1, Y1), (X2, Y2) , ..., (Xn, Yn) 的情况下, 如何求出 Yt = ? + ?Xt + ut 中 ?和 ? 的估计值 和 , 使得拟合的直线为最佳。 直观上看，也就是要求在X和Y的散点图上穿过各观测点画出一条“最佳”直线，如下图所示。 残差平方和 我们的目标是使拟合出来的直线在某种意义上是最佳的，直观地看，也就是要求估计直线尽可能地靠近各观测点，这意味着应使残差总体上尽可能地小。要做到这一点，就必须用某种方法将每个点相应的残差加在一起，使其达到最小。理想的测度是残差平方和，即 整理，得： 3 例子  三. 高斯--马尔柯夫定理（Gauss--Markov Theorem） 对于满足统计假设条件(1)--(4)的线性回归模型 Yt = ? + ?Xt + ut , ，普通最小二乘估计量 ( OLS估计量) 是最佳线性无偏估计量（BLUE, The Best Linear Unbiased Estimator）。 或 对于古典线性回归模型（CLR模型）Yt=α+β+Xt ，普通最小二乘估计量（OLS估计量）是最佳线性无偏估计量（BLUE）。 三. 预测的误差 我们可以得到两种类型的预测值：点预测值和区间预测值。在实践中，如果没有某种精度指标的话，点预测值是没有多大用处的。所以，我们必须提供点预测值的预测误差。 点预测值由与X0对应的回归值给出，即 而预测期的实际Y值由下式给出： 其中 u0 是从预测期的扰动项分布中所取的值。 预测误差的来源 由此不难看出，预测误差产生于两个来源： (1) 模型中包含扰动项，点预测值是假定预测期扰 动项 u0 为 0，而实际上一般不为0。 (2) 点预测值公式中用的是?和?的估计值 和 ， 样本估计值 和 一般不等于总体参数 ?和?。 预测误差可定义为： 两边取期望值，得