3双变量回归模型：估计问题讲解.pptVIP

第三章 双变量回归模型：估计问题 第一节、普通最小二乘法的原理 第一节、普通最小二乘法的原理 第一节、普通最小二乘法的原理 如何计算最小二乘估计量： 第一节、普通最小二乘法的原理 求导结果： 1.残差的和/均值都为零。 可以推出 2.残差与解释变量不相关。 第一节、普通最小二乘法的原理 第一节、普通最小二乘法的原理 采用最小二乘法（而不是四、六、八……乘法）的另一个理由：其估计量具有上述的数值性质。 数值性质：指无论数据是如何产生的，只要运用 OLS就能得到的那些性质。 统计性质：只有当数据产生的方式满足一些列假 定的条件下，运用OLS，才能得以成 立的那些性质。（第二节讲授） 第二节、普通最小二乘法的假定 如果我们仅仅是估计β1和β2的值（计算出一个能够很好拟合样本数据的样本回归线——与样本的关系合适），使用上节我们提到的OLS方法就已经足够了。 但在回归分析中，我们还需要知道样本回归线离真实的总体回归线有多近（与总体关系合适）。换言之，我们想知道，对于： 与（ ）有多么接近，或 与（ ）有多么接近。 而总体中 的产生方式依赖于（ 和 ） 我们也就需要了解总体的特征 和 ，因此我们需要对其进行十大经典假定。 书上缺假定2、7、8、10。 经典线性回归模型的十大假定 假定1:回归模型对参数而言是线性的。 假定2:在重复抽样中X的值是给定的（非随机的）。 假定3:随机误差项的条件均值为零。（与OLS数值性质1相比较） 假定4:随机误差项的方差相同。 假定5:各个随机误差之间无自相关性。 假定6:X和随机误差项不相关。（与OLS数值性质2相比较） 假定7:观测次数必须大于待估计的参数个数。 假定8:X的值要具有变异性。 假定9:正确地设定了回归模型。 假定10:X之间没有完全的多重共线性。 1. 对模型的假定 假定1:回归模型对参数而言是线性的。 最终的估计量也是线性的，容易求出其统计分布，从而进行假设检验。 假定7:观测次数必须大于待估计的参数个数。 如果我们只有一对观测值，就无法估计两个参数。 如果我们有的观测值数量等于参数数量，两点确定一直线，残差为0，方差无法估计。 自由度=观测值的总数n-需要估计的参数个数 假定9:正确地设定了回归模型。 使用了错误的理论模型：菲利普斯曲线 误将通胀率与失业率之间的关系回归为： 理论经济学提供理论的不完备，自己利用数理模型去推导。 2. 对解释变量的假定 假定2: 在重复抽样中X的值是给定的（非随机的）。 若是随机变量， 也是随机变量，则两者可能相关。 在估计 时，会把 的变动导致的 的变动也都计入 的变动。 问题：这将使得β出现高估还是低估？ 2. 对解释变量的假定 假定6:解释变量X和随机误差项不相关。 （条件较假定2宽松） 即使X是随机的，但只要它与u不相关，OLS估计量的性质仍然成立。 假定2+假定3即可以得出假定6，反之不然。 2. 对解释变量的假定 假定8: X的值要具有变异性。 如果全部的X都相等，则 ，仅有一点无法确定一条直线。 假定10:X之间没有完全的多重共线性。 问题1： 中若X2=2X1，会出现什么问题？ 问题2：该假设与假设8有何联系？ 2. 对解释变量的假定 假定8 说的是一维的点无法确定二维空间内的线。 假定10说的是二维的线无法确定三维空间内的线。 两者的本质都是由于信息不充足，而不能估计出所有参数。 即过少的观测数据或过小的自变量方差导致的“微数缺测性”——观测次数小于等于待估计的参数个数。 如何从一个低维度的投影估计出高维度的真实情景？ 3. 对随机误差项的假定 方差是度量随机变量的波动性的，方差越大，则其越远离样本均值，反映的信息就越不精确可靠，从而应当给予更小的权重考虑。 3. 对随机误差项的假定 假定5:各个随机误差项之间无自相关性。 3. 对随机误差项的假定 假定5:各个随机误差项之间无自相关性。 时间序列数据中较多出现：观测时间越短，相关性越高，如惯性——股市的连续上涨和下跌。 横截面数据中较少出现：一个企业的随机误差和另一个企业随机误差的相关性