part2线性回归模型222.pptVIP

回 顾 总体回归线 / 函数 样本回归线 / 函数 PRL / PRF SRL / SRF 怎样构造 SRL / SRF，使这个估计做得尽量好？ （b1 、 b2尽可能地接近B1、B2） OLS法 2、OLS估计量的性质 P127 高斯—马尔柯夫定理： 在满足古典线性回归模型（ CLRM ）假定的 条件下，OLS估计量是BLUE。 （Best Linear Unbiased Estimator） 其次，OLS估计量是无偏的。 重复抽样，做很多次OLS估计，估计量的均值 可以十分逼近真实值（即SRF十分接近PRF）。 最后，在所有线性无偏估计量中，OLS估计 量的方差最小（最优，精度最高，最有效率） 假定7. 1 ：线性模型。回归模型对参数而言 是线性的。如： 假定7. 2：解释变量X与扰动误差项u不相关。 （X是非随机的比这一假定更强） 3、 OLS估计的精度 ——估计量的方差与标准误 通过计算，双变量线性回归OLS估计量的 标准误为： 其中，σ2为常数，是假定7.4中ui的共同方差。 上述表达式中，除了σ之外，其他量的值均可从样本数据直接得到， σ需要通过样本来估计： 其中，分子为回归的残差平方和（RSS）， 分母为回归的自由度（d.f.）。 被称为回归的标准误（区别于前面回归 估计量b1和b2的标准误 ）。 例：博彩支出一例的方差和标准误 用OLS法估计出b1，b2 （得到了SRF） 在一定的假设前提下，OLS估计量的性质 用方差和标准误，衡量了OLS估计的精度 回归分析的第一阶段：参数估计 回归分析的第二阶段：统计检验 * * 估 计 B1、B2 的OLS估计量 三层含义： 首先，OLS估计量是线性的。即 是关 于 的线性组合。 假定7. 3：对给定的X值，随机干扰项u的条件 均值为零： 最小二乘法的基本假定 ——古典线性回归模型（CLRM） 假定7. 4：同方差性。给定X值，对所有的观 测，u i的方差都是相同的。即u i的条件方差 是一常数： 假定7. 5：各个干扰之间无自相关。给定任意 两个X值：Xi和X j， u i和u j之间的相关为零： i 和 j为两次不同的观测，而cov表示协方差。 假定7. 6：回归模型是正确设定的。即在实证分 析中所使用的模型不存在设定偏误。 不难看出，上述6大假定全是针对解释变量X 及误差项 u 所作的，实际上是对总体回归函数PRF的假定。 为什么假定？现实意义？如不满足会怎样？如何知道这些假定是否满足？——暂不回答 对任何一门学科的探求，都需要做一些假定 √ 有助于逐步明确问题 × 这些假定是现实所必需 由于Y是随机变量，而b1和b2是它的函数， 因此b1和b2也是随机变量。当数据从一个样本 变到另一个样本时，它们的值会出现摆动。 因此，需要找一个量来度量这种摆动的大小， 即衡量估计量b1和b2的精度/可靠性。 ——这个量就是估计量的方差及标准误。 注意：125页最下面写错，改! 完成