计量经济学第二章一元线性回归方程概述.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