Hayasi第一章.docVIP

第一章：OLS的有限样本性质 1.1经典线性回归模型 线性假定： 假定1.1（线性）： 案例1.1： 矩阵表示： 定义： 假定1.2（严外生性）： 应用数据矩阵的表示： 个随机变量的联合分布： 个随机变量的条件分布： 条件均值一般来说是的一个非线性函数。 案例1.3：的严外生性条件为： 若令，则严外生性为： 但以为条件的期望与以为条件的期望，就条件来说是一样。 无条件期望： 证明： 正交性条件： 矩阵表示： 证明： 无相关性： ***时间序列模型的严外生性：（一般不能满足严外生性） 因此不满足严外生性。 假定1.3（无共线性）：矩阵以概率1列满秩。即为： 以概率1成立 假定1.4（球形扰动）： 同方差： 无相关性： 同方差假定的条件协方差： 球形扰动的矩阵表示： ****随机样本的经典回归模型： 是一个随机样本，因此。因为按照假定1.1（线性假定），是的函数，又因为随机样本的假定，当时，与是相互独立的，所以与也是独立的，因此有： 因此，假定1.2（严外生性）与假定1.4（球形扰动）退化为： 因为，所以的联和分布不依赖于，因此无条件二阶矩对于所有的而言是一个常数。但是尽管的函数形式是一样的，但它的值却依赖于，所以球形扰动假定对随机样本而言仍然是具有约束力的。 ****固定回归子： 尽管非实验的计量经济学假定固定回归子是很不适当的，但可以把固定回归子的模型解释成为以为条件的模型。但这样的陈述却不能体现严外生性中扰动项与当前、过去、将来的回归子均不相关的假设，也不能区分条件同方差与无条件同方差之间的区别。 1.2最小二乘法（OLS）的代数表示： OLS最小化残差平方和： 一阶条件： =0 二阶条件： （因为列满秩） 对于任意非零行向量，，为矩阵，为 矩阵，所以为向量，并且，因为如果，这说明的列向量一定线性相关，与假设矛盾。 正规方程组： 所以： （样本矩） （总体矩） OLS的两种表达方式： (有利于有限样本性质) (有利于大样本性质) 更多概念与代数： 投影矩阵： （1.2.7） 消去矩阵： （1.2.8） OLS中的估计： 回归标准误： 抽样误差： 非中心： （无需含截距项） 中心化： 源于线性投影，源于含截距项 注意：当方程不含截距，但一些回归子的线性组合是常数，当把这个线性组合中的某个变量用常数代替作为截距项时，这两个方程本质上是一样的，但若对于无截距的方程用非中心化的拟合优度，而含截距的方程用中心化的拟合优度，则含截距的中心化的拟合优度小一些。 影响性分析： （1.2.19） 是剔除第个观测值后的OLS估计值，，它是投影矩阵的第个对角元素。满足下式： OLS的一个计算问题： 当同时包含很大的值和很小的值时，矩阵的求逆可能会出问题，处理办法： 单位换算一致 数据矩阵标准化，即减均值除以标准差 QR分解 1.3最小二乘法的有限样本性质： b的有限样本分布 命题1.1 在假定1.1~1.3下， 在假定1.1~1.4下， 在假定1.1~1.4下，，是任意线性无偏估计量。 在假定1.1~1.4下， 的有限样本分布： 性质1.2（的无偏性）：在假定1.1-1.4（线性、严外生性、无共线性、球形扰动）下 以为条件（因此被很好的定义） 证明：因为，所以 又因为 所以有：成立。 3： 1.4：正态条件下的假设检验 注意：只有当模型设定正确时，统计推断才是有效的；即有时尽管原假设为真，但模型设定是错误的，检验统计量也没有假定的分布。 1：误差项的正态分布 假定1.5（误差项的正态性）：服从正态分布。 含义：（1）正态分布由均值、方差确定，而的均值和方差都依赖于 如果是正态的，而且条件均值和条件方差都不依赖于，那么无条件分布也服从同样的正态分布。 注释：maintained hypothesis 是一套