第二章：一元线性回归模型理论与方法.pptVIP

（二）、对解释变量的假设 假设2：解释变量Ｘ在所抽取的样本中具有变异性，而且随着样本容量的无限增加，解释变量Ｘ的样本方差趋于一个非零的有限常数，即 对于经典线性模型，很多教科书中，假设解释变量是确定性的，即非随机的。这里不强调这一假定。 实际上经济变量一般是非实验不可控的，都具有随机性。 只要随机解释变量与随机项不相关，不影响模型的估计和检验。 （三）、对随机干扰项的假设 假设3：给定解释变量的X的任何值，随机干扰项 的均值为零，即 该假定成立时称X为外生解释变量，或称X是严格外生的。 该假定成立时，一定可以得到随机干扰项与及解释变量之间的不相关性，即 同时有 这是也称X是同期外生的，或称X与 同期不相关。 假设4：随机干扰项 具有给定X任何值条件下的同方差性及不序列相关性，即 条件同方差的假定意味着干扰项的方差不依赖于X的变化而变化，且总为常数 ； 条件不序列相关假定表明在给定解释变量的任何值时，任意两个不同观测点的随机干扰项不相关。 假设5：随机误差项服从零均值、同方差的正态分布，即 假设5是为通过样本回归函数推断总体回归函数的需要而提出的，小样本下，该假设很重要；在大样本下，可以放松该假设。 ～ 随机误差项的条件零均值与条件同方差假设下的总体回归函数 注意：在实际建立模型的过程中，除了正态性假设之外，对模型是否满足假设都要进行检验。 在上述经典假设下，线性回归模型中的被解释变量Yi是随机变量，具有如下条件分布特征： * 一、先给出定义，再在黑板上板书 四、随机误差项的含义 随机误差项?是在模型设定中省略下来而又集体地影响着被解释变量Y的全部变量的替代物。 在总体中引入随机干扰项，主要有以下几个方面原因： （1）代表未知因素的影响。由于对总体认识上的非完备性，许多未知因素还无法引入模型。 （2）代表残缺数据。有些因素已被认识，但数据不可得。 （3）代表众多细小因素的影响。一些因素已被认识，数据也可得，但它们对被解释变量的影响确是细小的，在建模过程中是可以省略的。 （4）代表数据观测误差。由于某些主客观原因的存在，在取得观测数据时，存在测量误差。 （5）代表模型设定误差。模型的真实函数形式未知，设定的模型可能与真实的模型有偏差。 （6）变量内在的随机性。即使模型没有设定误差，也不存在数据观测误差，某些变量所固有的内在随机性，也会对被解释变量产生随机性影响。 关于随机项的说明： 将随机项区分为“源生的随机扰动”和“衍生的随机误差”。 “源生的随机扰动”仅包含无数对被解释变量影响不显著的因素的影响和变量内在的随机性（3、6），服从极限法则（大数定律和中心极限定理），满足基本假设。源生的随机扰动，是模型所固有的。 “衍生的随机误差”包含（1、2、4、5），并不一定服从极限法则，不一定满足基本假设。是在模型设定中产生的，理论上是可以避免的。 五、样本回归方程（函数）SRF(sample regression function) 例2.2：在例2.1的总体中有如下一个样本（见下表），问：能否用该样本预测总体中对应于选定X的平均每月消费支出？即能否用该样本估计总体回归函数PRF？ 表2.2 X 800 1000 1200 1400 1600 1800 2000 2200 2400 2600 Y 700 650 900 950 1100 1150 1200 1400 1550 1500 每月家庭收入与消费支出数据表（样本） X 800 1000 1200 1400 1600 1800 2000 2200 2400 2600 Y 700 650 900 950 1100 1150 1200 1400 1550 1500 SRF 样本回归曲线(sample regression lines) 和样本回归函数(sample regression function): 上图中的样本散点图近似于一条直线，划一条直线以尽可能好地拟合该散点图，该直线称为样本回归曲线。 将上述样本回归线以函数形式表示为： 称为样本回归函数(SRF)。 对比这两个公式，可以看出： 公式（2）是公式（1）的近似替代物； 是E(Y/Xi)的估计量； 为?0的估计量； （1） （2） 是?1的估计量。 样本回归函数的随机形式及样本回归模型： 其中，样本残差项(residual)，代表了其他影响Yi的随机因素的集合体，可看成为?i的估计量。该模型由于引入了随机项，成为计量经济模型，将该模型称为样本回归模型。 样本残差项 回归分析的主要目的： 根据样本回归函数（SRF），估计总体回归函数（PRF），即根据公式(2)估计公式(1)。 (1) (2) 即：设计一“方法”构造SRF，使得SRF尽可能地