简单回归模型.教材.pptVIP

* * * 证明OLS的无偏性： 证明： 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 * 证明OLS的无偏性(继续) * 证明OLS的无偏性(继续） * 证明OLS的无偏性(继续） * 证明OLS的无偏性(继续） * 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 * 例2.12 学生的数学表现和学校的午餐项目 使用密歇根州409所高中1992 – 1993年的数据，估计得出 Predicted math10=32.14-0.319lnchprg, Math10: maths score for the 10th grade Lnchprg: partipation of the lunch program 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。 估计所得方程说明参加免费午餐的学生的比例增加10%，他们的数学成绩将下降大约3.2%，也就是说参加免费午餐的学生的比例越多，他们的成绩越差。可信吗？ 产生上述结果的一个可能解释：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。 *  学生的数学成绩和学校的免费午餐项目 * 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。 * 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) OLS估计量的抽样方差 * 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(error variance) s, 误差方差的平方根被称作是标准误差(the standard deviation of the error) 因此：E(y|x)=b0 + b1x Var(y|x) = s2 * 工资方程中的异方差性 当Var(y|x)值和x 相关时，我们称误差项存在异方差(heteroskedasticity)。 举例来说，如果我们假设工资一式满足同方差，那么就意味着不管educ值为何水平，工资的分布相对于教育水平而言都是相同的，即Var(u|educ)=Var(wage|educ)= s2.。 如果接受高等教育的人面临的机会更多，收入的差异可能更大，在这一情形中，上述假定未必成立。 * . . x1 x2 同方差的情形（Homoskedastic Case） E(y|x) = b0 + b1x y f(y|x) * . x x1 x2 y f(y|x) 异方差的情形(Heteroskedastic Case) x3 . . E(y|x) = b0 + b1x * 定理 2.2 ( OLS 估计量的抽样方差) 在假定SLR.1~SLR.5下，以样本值{x1, x2,…, xn}为条件，有： 和 * 证明： * 证明： * OLS估计量样本方差的总结 误差方差 s2 越大，斜率估计量的方差也越大 xi 的变动越大，斜率估计量的方差越小.因此我们应该选择尽可能的分散开的xi * OLS估计量样本方差的总结 在实验数据中这一点(增大xi的变动)有时是可能的，但在社会科学中我们很少可以人为地增加xi的变动。 大的样本容量能够减小样本斜率估计量的方差。 * 估计误差方差 我们不知道误差方差 s2 是多少，因为我们不能观察到误差 ui 我们观测到的是残差 ?i 我们可以用残差构成误差方差的估计 * 估计误差方差 首先，我们注意到 s2=E(u2), 所以s2的无偏估 计量是 ui 是不可观测的，但我们找到一个ui的无偏 估计量 * 误差方差估计量(继续)  * 过原点回归 如下形式的方程 表示为过原点的回归。 为了得到斜率的估计值，我们仍然使用最小二乘法，此时最小化残差平方和为： 利用微积分可证明， 必须满足一阶