第3章20150922：双变量回归模型：估计问题.pptVIP

3.2. OLS的基本假定 经典线性回归模型（CLRM）或称为标准直线回归模型具有10大假设，构成了计量经济学理论基础。在这10大假设下，SRL具有对总体无偏等性质。这些假定有下述10条。 * 暨南大学经济学院统计系 陈文静 * 暨南大学经济学院统计系 陈文静 高斯－－马尔可夫定理 * 在给定经典线性回归模型的假定下的OLS 估计量，在无偏线性估计量中，具有最小方差，即OLS估计量是最优线性无偏估计量（BLUE） 暨南大学经济学院统计系 陈文静 * 3.5. 判定系数：拟合优度的一个度量  以上所讨论的是关于估计量的性质，即线性无偏且方差最小，因此，样本回归直线是总体的一个无偏且具有高精度(方差最小)的估计，但由于总体一般是未知的，所以以下的分析针对样本回归直线。但对于所谓尽可能逼近还没有正式定义和度量，所谓尽可能逼近，其定义和度量之一是，围绕样本回归直线的偏差（残差）尽可能小，即SRL尽可能拟合样本数据，度量这种拟合程度即为判定系数，或拟合优度，记为 。 暨南大学经济学院统计系 陈文静 * 拟合优度 拟合优度（goodness of fit）：回归直线与各观测点的接近程度称为回归直线对样本数据的拟合优度，通常用判定系数(coefficient of determination)来判断。 若各观测数据的散点都落在回归直线上，那么这条回归直线就是对数据的完全拟合。 各观测点越是紧密围绕直线，说明直线对观测数据的拟合程度越好，反之就越差。 暨南大学经济学院统计系 陈文静 * 暨南大学经济学院统计系 陈文静 随机干扰项的均值为0 该假定意味着经验分析中所用的模型中不存在设定偏误或设定误差，即回归模型的设定是正确的。 设定不正确或存在误差的情形，模型设定中遗漏了重要解释变量或包含了不必要的解释变量，或者采用了错误的函数形式，这时随机干扰项的均值为0的假定得不到满足。这时对估计和检验都会有影响。 暨南大学经济学院统计系 陈文静 * * 补充说明 当考虑随机误差项的所有可能值的全部（即总体）时，总体均值应该为0。 对于小样本，误差项的均值不可能正好为0，为了弥补这一缺陷，在方程中加上常数项可以迫使任何回归中的扰动项的均值为0. 本质上，常数项等于Y中不能被解释变量解释的固定部分，而误差项则等于Y中不能被X解释的随机部分。 暨南大学经济学院统计系 陈文静 * 4.同方差性或扰动的方差相同。即 暨南大学经济学院统计系 陈文静 * 与之不同的是异方差，如下图所示 暨南大学经济学院统计系 陈文静 * 这是因为由假定3即扰动的均值为0 实际上，随机干扰项的同方差假定也就意味着对应于不同的X，Y也有同样的方差。 该假定意味着对应于固定不同的X值而随机抽取的每一个Y值都有同样的重要性。 暨南大学经济学院统计系 陈文静 * 5 扰动之间无（自）相关。 即给定任意的X 的两个值，对应的扰动没有自相关。基于相关和协方差的定义，不相关与协方差为0等价。 暨南大学经济学院统计系 陈文静 如X＝80和X＝100两个不同的水平，与总体均值的偏差不相关。协方差正是针对不同水平之间而定义的。这一性质所强调的是，所有的与总体均值的偏差（误差）之间不相关，而不仅仅是对给定某一水平（如X＝80）之下的误差而言。 * 暨南大学经济学院统计系 陈文静 * 6.扰动项与X不相关，或它们之间的协方差为0。 这一假定的表示中， 非随机是因为它已经是一个数。 暨南大学经济学院统计系 陈文静 如果一个解释变量与误差项相关，OLS估计量 很可能把一些实际由误差项所引起的 的变异归因 于由解释变量 所引起。 例如，如果解释变量与误差项正相关，估计的回归 系数可能大于（向上偏误）没有正相关时的系数 估计。因为OLS估计程序会错误地把由 起的 Y的变异归因于X，因此，确保解释变量与误差相不相关很重要。 * 暨南大学经济学院统计系 陈文静 7.观测次数或样本的长度大于待估参数的个数。 8.X值要有变异性，即对于一个给定的样本，X的值不能全部相同，也就是说，X的方差必须是一个有限的正数。反之，若X在一个样本中取相同的值(无变异性)，方差就为0, 无法估计参数。变量必须在变！！！而且， X的取值没有异常值（outlier）. 9.正确设定回归模型，或者说，所用的模型不存在设定误差。所谓设定问题，在本书中包括：（1）模型应包括哪些变量，（2）模型的函数形式（如线性还是非线性），（3）对模型的变量和扰动应有哪些假定等。以后我们还应看到，设定问题还有更多的内容。 * 暨南大学经济学院统计系 陈文静 * 10.解释变量之间没有完全的线性