2简单二元回归讲解.pptVIP

Intermediate Econometrics zpf * Intermediate Econometrics zpf * Intermediate Econometrics zpf * 假定SLR.1 （关于参数是线性的） 在总体模型中，因变量 y 和自变量 x 和残差 u 的关系可写作 y = b0 + b1x + u , 其中 b0 和 b1 分别是总体的截距参数和斜率参数 Intermediate Econometrics zpf * 假定SLR.2 (随机抽样): 假定我们从总体模型随机抽取容量为n的样本, {(xi, yi): i=1, 2, …, n}, 那么可以写出样本模型为 yi = b0 + b1xi + ui Intermediate Econometrics zpf * 假定 SLR.3 和 SLR.4 SLR.3, 零条件期望： 假定 E(u|x) = 0 . 那么在随机样本中我们有 E(ui|xi) = 0 SLR.4 (自变量中的样本变动): 在样本中，自变量 x 并不等于一个不变常数。 Intermediate Econometrics zpf * 定理2.1 ( OLS的无偏性) 使用假定SLR.1到SLR.4，我们可以得到无论b0,和b1 取什么值，它们的OLS估计量的期望值等于它们各自的真值。 证明: Intermediate Econometrics zpf * OLS的无偏性(继续） 为了思考无偏性，我们需要用总体的参数重新写出估计量 把公式简单地改写为 Intermediate Econometrics zpf * OLS的无偏性(继续） Intermediate Econometrics zpf * OLS的无偏性(继续） Intermediate Econometrics zpf * OLS的无偏性(继续） Intermediate Econometrics zpf * OLS的无偏性(继续） Intermediate Econometrics zpf * 无偏性总结 b1 和 b0 的OLS估计量是无偏的 无偏性的证明依赖于我们的四个假定--如果任何假定不成立，OLS未必是无偏的 记住无偏性是对估计量的描述--对于一个给定的样本我 们可能靠近也可能远离真实的参数值 Intermediate Econometrics zpf * 例2.12 学生的数学表现和学校的午餐项目 该例研究了是否参加学校的免费午餐项目是否能够提高学生在数学考试中的成绩。我们用Math10来表示10年级学生的数学成绩，用Lnchprg表示可以参加学校的免费午餐项目的学生的比例。 Intermediate Econometrics zpf * 学生的数学成绩和学校的免费午餐项目 估计所得方程说明参加免费午餐的学生的比例越多，他们的成绩越差。可信吗？ Intermediate Econometrics zpf * 学生的数学成绩和学校的免费午餐项目 产生上述结果的一个可能是u 和 x是相关的。比如， u包括了贫困率，它影响学生的学习表现，又和是否有资格参加免费午餐项目高度相关。 Intermediate Econometrics zpf * OLS估计量的抽样方差 现在我们知道估计量的随机抽样分布以真值为中心 想知道的是这个分布散开的程度 了解这一点(分布的分散程度)，将对我们如何能够在所有的估计量中，或至少在无偏估计量这一类估计量中选出最优的一个具有一定的指导意义。 Intermediate Econometrics zpf * OLS估计量的抽样方差 在一个附加假定下计算这个方差会容易的多，因此有 假定 SLR.5 (同方差性): Var(u|x) = s2 (Homoskedasticity) Intermediate Econometrics zpf * . . x1 x2 同方差的情形 E(y|x) = b0 + b1x y f(y|x) Intermediate Econometrics zpf * . x x1 x2 y f(y|x) 异方差的情形 x3 . . E(y|x) = b0 + b1x Intermediate Econometrics zpf * OLS的抽样方差(继续) Var(u|x) = E(u2|x)-[E(u|x)]2 E(u|x) = 0, so s2 = E(u2|x) = E(u2) = Var(u) 因此 s2 也是无条件方差，被称作误差方差 s, 误差方差的平方根被称作是标准误差 Can say: E(y|x)=b0 +