第二章一元线形回归模型解析.ppt

3、有效性：在所有线性无偏估计量中，最小二乘估计量具有最小方差。  （ 1 ）先求 0 ? b 、 1 ? b 的方差 ? ? ? ? ? = ÷ ÷ ? ? ? ? è ? = + + = = 2 2 2 2 2 1 0 2 1 ) var( ) var( ) ? var( i i i i i i i i x x x X k Y k s s m b b b ? ? ? - = + + = = 2 2 1 0 2 0 ) / 1 ( ) var( ) var( ) ? var( s m b b b i i i i i i k X n X w Y w 2 2 2 2 2 2 2 2 2 1 1 2 1 s s ÷ ÷ ÷ ? ? ? ? ? è ? ÷ ÷ ? ? ? ? è ? + - = ú ú ? ù ê ê ? é + - ÷ ? ? ? è ? = ? ? ? ? i i i i i x x X k X n n k X k X n n 2 2 2 2 2 2 2 2 2 2 1 s s s ? ? ? ? ? = + = ÷ ÷ ? ? ? ? è ? + = i i i i i x n X x n X n x x X n （2）证明最小方差性 4、结论 普通最小二乘估计量具有线性性、无偏性、最小方差性等优良性质。 具有这些优良性质的估计量又称为最佳线性无偏估计量，即BLUE估计量（the Best Linear Unbiased Estimators）。 显然这些优良的性质依赖于对模型的基本假设。 §2.6 参数估计量的概率分布与随机项方差的估计 首先， 由于解释变量 i X 是确定性变量，随机误差项 i m 是 随机性变量，因此被解释变量 i Y 是随机变量，且其分布 （特 征）与 i m 相同。 0 ? b 和 1 ? b 的 标准差 分别为 ： ? = 2 2 1 / ) ? ( i x S s b ? ? = 2 2 2 0 ) ? ( i i x n X S s b 在估计的参数 0 ? b 和 1 ? b 的方差和标准差的表达式中，都含 有随机扰动项方差 2 s = ) var( i m 。 2 s 又称为 总体方差 。 由于 2 s 实际上是未知的，因此 0 ? b 和 1 ? b 的方差与标准差实 际上无法计算。 由于随机项 i m 不可观测，只能从 i m 的估计——残差 i e 出发， 对总体方差 2 s 进行估计。 2 、随机误差项 m 的方差 2 s 的估计 可以证明 ：总体方差 2 s 的 无偏估计量 为 2 ? 2 2 - = ? n e i s 在总体方差 2 s 的无偏估计量 2 ? s 求出后， 估计的参数 0 ? b 和 1 ? b 的方差和标准差的估计量 分别是： 1 ? b 的样本方差： ? = 2 2 1 ? ) ? ( i x Var s b 1 ? b 的样本标准差： ? = 2 1 ? ) ? ( i x S s b 0 ? b 的样本方差： ? ? = 2 2 2 0 ? ) ? ( i i x n X Var s b 0 ? b 的样本标准差： ? ? = 2 2 0 ) ? ( i i x n X S s b 关于统计检验，我们将在介绍完多元线性回归模型后统一讲解。 Eviews操作举例 下节课将进入多元线性回归模型的学习。 1、线性回归模型的特征 一个例子 凯恩斯绝对收入假设消费理论：消费（C）是由收入（Y）唯一决定的，是收入的线性函数： C = ? + ?Y (2.2.1) 但实际上上述等式不能准确实现。 原因 ⑴消费除受收入影响外，还受其他因素的影响； ⑵线性关系只是一个近似描述； ⑶收入变量观测值的近似性：收入数据本身并不绝对准确地反映收入水平。 因此，一个更符合实际的数学描述为： C = ? + ?Y+? (2.2.2) 其中： ? 是一个随机误差项，是其他影响因素的“综合体”。 线性回归