计量经济学计量第二章st.ppt

第二章 一元线性回归模型 古典线性回归模型 回归参数的点估计 区间估计与假设检验 一、古典线性回归模型 一元线性回归模型的一般形式 yi=?0+?1xi+?i i=1,2,…,n ?0 、?1:回归参数（待估）， ?i :随机误差项，n:样本容量， yi和xi：样本观测值 例：wagei= ?0+ ?1educi+?i i=1,2,…,n 随机误差项的意义 数据欠缺：影响消费的家庭财富，影响工资的个人能力 模型是现实问题的一种简化。 人类行为的内在随机性 函数形式的误差 古典回归模型的基本假定 假设1：解释变量x是非随机变量，它的值是确定的。——条件回归 假设2：随机误差项具有0均值和同方差。 即：E(?i )=0, Var(?i )= i=1,2,…,n E(?i )=0 的说明 E(?i )=0 ? 即：凡是模型不显含的、因而归属于?i 的因素，对y的均值都没有系统影响。 如果E(?i )=?，即被省略的变量对y的均值有系统性影响?，则有： yi=?0+?1xi+?i= ?0+?1xi+?i+?-? =(?0+?)+?1xi+(?i-?) = +?1xi+ ——新模型， ——所有系统性影响都包含在截距项（常数项）中，所以一般不予过多关注。 Var(?i )= 的说明 随机误差项具有相同的散布程度，即对应于不同x值的y总体具有同样的方差。 如果Var(?i)= 则称随机误差项具有异方差 古典回归模型的基本假定 假设3：随机误差项在不同样本点之间是独立的，不存在序列相关，即： Cov(?i,?j)=0 i?j i,j=1,2,…,n Cov(?i,?j)=E[(?i–E(?i))(?j–E(?j))] =E(?i?j)=0 当来自于不同观测值的误差项相关时，即其协方差不为0，则称这个误差序列是序列相关的。 古典回归模型的基本假定 古典回归模型的基本假定 假设4：随机误差项与解释变量之间不相关，即：Cov(xi,?i)=0 i=1,2,…,n 此假定意味着x和?(?代表了所有被省略的变量的影响）对y有各自的影响，并且使可加的。 当x为非随机变量时，此假设自动成立。证明？ Cov(xi,?i)= E[(xi–E(xi))(?i–E(?i))]=0 古典回归模型的基本假定 假设5：随机误差项服从0均值，同方差的正态分布，即： ?i ?N(0, ) yi ?N(?0+?1xi , ) 前4个假设构成了古典线性回归模型。对于假设5，根据中心极限定理，但样本容量趋于无穷大时，对于任何实际模型都是满足的。 二、回归参数的点估计 回归参数的最小二乘估计 最小二乘估计量的性质 回归参数的最大似然估计 1. 普通最小二乘估计（OLS） 一元线性回归模型：yi=?0+?1xi+?i 随机抽取n组样本值xi, yi, i=1,2,…,n，利用样本数据得到参数?0 、?1的估计量 、 则被解释标量yi的估计值为： 称为回归残差，于是有： 1. 普通最小二乘估计（OLS） OLS的思路：使残差平方和最小，即： 极值条件： 1. 普通最小二乘估计（OLS） 求解上述联立方程得到回归参数估计值： 1. 普通最小二乘估计（OLS） OLS回归线的性质： 回归线通过y和x的样本均值，即： 残差之和为零，即： 残差和xi不相关，即： 残差和?i不相关，即： 2. 最小二乘估计量的性质 高斯-马尔可夫定理：在给定经典线性回归模型的假定下，最小二乘估计量在无偏线性估计量一类中具有最小方差，即它们是最优线性无偏估计量。 线性性： ?0、?1的最小二乘估计量是y的观测值的线性函数，即： 无偏性：一个估计量的均值(期望)等于其真值，即： 有效性：在所有线性无偏估计量中方差最小 2. 最小二乘估计量的性质 线性性的证明： 2. 最小二乘估计量的性质 无偏性证明： 2. 最小二乘估计量的性质 有效性证明： 方差的推导 2. 最小二乘估计量的性质 有效性证明：设 为?1的任一线性无偏估计量，则有： 关于OLS估计量方差的说明 对给定的 ，方差 越大，回归系数估计量的方差就越大，估计精度越低；对给定的 ，x值越分散， 的方差越小，?估计的精度越高。 和 之间的依赖性由它们间的协方差来衡量。 3. 回归参数的极大似然估计 自学。 要求：掌握回归参数极大似然估计的基本思路，其参数估计量与普通最小二乘估计的异同。 三、区间估计与假设检验 回归系数的置信区间 预测值的置信区