计量经济学第二章一元线性回归方程.pptVIP

2.2一元线性回归模型的基本假设 对随机干扰项的假设 假设4：随机误差项μ具有给定X条件下的零均值、同方差以及非序列相关性，即： 该假设成立表明μ与X没有任何形式的相关性，往往称X为外生解释变量 * 2.2一元线性回归模型的基本假设 对随机干扰项的假设 假设5：随机误差项与解释变量之间不相关，即： 假设6：随机误差项服从零均值、同方差的正态分布，即： * 2.2一元线性回归模型的基本假设 对随机干扰项的假设 以上6个假设也称为线性回归模型的经典假设或高斯（Gauss）假设，满足该假设的线性回归模型，也称为经典线性回归模型（Classical Linear Regression Model, CLRM）。 前四个假设也专门称为高斯-马尔可夫假设（Gauss-Markov assumption） * 2.3一元线性回归模型的参数估计 一、参数估计的普通最小二乘法（OLS） 二、参数估计的最大似然法（ML） 四、最小二乘估计量的统计性质 五、参数估计量的概率分布及随机干扰项方差的估计 * 2.3一元线性回归模型的参数估计 参数估计的普通最小二乘法（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：二者之差的平方和最小 即找出 * 2.3一元线性回归模型的参数估计 方程组（*）称为正规方程组（normal equations）。 参数估计的普通最小二乘法（OLS） * 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）。 2.3一元线性回归模型的参数估计 参数估计的普通最小二乘法（OLS） * 顺便指出 ，记 则有 可得 （**）式也称为样本回归函数的离差形式。 （**） 注意： 在计量经济学中，往往以小写字母表示对均值的离差。 2.3一元线性回归模型的参数估计 参数估计的普通最小二乘法（OLS） * 2.3一元线性回归模型的参数估计 参数估计的最大或然法 ML 最大或然法 Maximum Likelihood,简称ML ，也称最大似然法，是不同于最小二乘法的另一种参数估计方法，是从最大或然原理出发发展起来的其它估计方法的基础。 对于最大或然法，当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得从模型中抽取该n组样本观测值的概率最大。 * 在满足基本假设条件下，对一元线性回归模型： 随机抽取n组样本观测值（Xi, Yi）（i 1,2,…n）。 那么Yi服从如下的正态分布： 于是，Y的概率函数为 （i 1,2,…n） 假如模型的参数估计量已经求得，为 2.3一元线性回归模型的参数估计 参数估计的最大或然法 ML * 因为Yi是相互独立的，所以的所有样本观测值的联合概率，也即或然函数 likelihood function 为： 将该或然函数极大化，即可求得到模型参数的极大或然估计量。 2.3一元线性回归模型的参数估计 参数估计的最大或然法 ML * 由于或然函数的极大化与或然函数的对数的极大化是等价的，所以，取对数或然函数如下： 2.3一元线性回归模型的参数估计 参数估计的最大或然法 ML * 解得模型的参数估计量为： 可见，在满足一系列基本假设的情况下，模型结构参数的最大或然估计量与普通最小二乘估计量是相同的。 2.3一元线性回归模型的参数估计 参数估计的最大或然法 ML * 例2.2.1：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2.2.1进行。 * 因此，由该样本估计的回归方程为： * 2.3一元线性回归模型的参数估计 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。 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： 线性性，即它是否是另一随机变量的线性函数； 无偏性，即它的均值或期望值是否等于总体的真实值； 有效性，即它是否在所有线性无偏估计量中具有最小方差。 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）。 * 2.3一元线性回归模型的参数估计 最小二乘估计量的性质 当不满足小样本性质时，需进一步考察估计量的大样本或渐近性质： 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