计量经济学课件2.2.pptVIP

三、参数估计的最大或然法(ML) 最大或然法(Maximum Likelihood,简称ML)，也称最大似然法，是不同于最小二乘法的另一种参数估计方法，是从最大或然原理出发发展起来的其它估计方法的基础。 基本原理： 对于最大或然法，当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得从模型中抽取该n组样本观测值的概率最大。 四、最小二乘估计量的性质 当模型参数估计出后，需考虑参数估计值的精度，即是否能代表总体参数的真值，或者说需考察参数估计量的统计性质。 证明 ** 再证明最小方差性 假设 是总体参数 的线性无偏估计量，有 (ci为非随机变量) 目标： 由 是 的线性无偏估计，所以 比较等式两边，有 其中 可见当 ci =ki 时， 同理可证 也有最小方差。 为最小值，且 由此证明了最小二乘估计值 的方差在?1的各种线性 无偏估计值中最小。 最小二乘法也称最优线性无偏估计 (BLUE: best linear unbiased estimators) 这种特性称为高斯—马尔可夫(Gauss—Markov)定理。 由于最小二乘估计量拥有一个“好”的估计量所应具备的小样本特性，它自然也拥有大样本特性。 如考察 的一致性 五、参数估计量的概率分布及随机干扰项方差的估计 由于最小二乘估计 均为Yi的线性组合, 而Yi服从正态分布，因此作为Yi的线性组合的 也服从正态分布。 的标准差 2、随机误差项?的方差?2的估计 由于随机项? i不可观测，只能从? i的估计——残差ei出发，对总体方差进行估计。 ?2又称为总体方差。 可以证明，?2的最小二乘估计量为 它是关于?2的无偏估计量。即 的方差 的方差中含有误差项 和 由于 2 0 1 , ? ? i ? s b b 算 差项，所以无法通过计 是总体回归模型中的误 i ? 进行估计。 ，只能对 得到 2 2 s s 在最大或然估计法中， 因此， ?2的最大或然估计量不具无偏性，但却具有一致性。 所以 根据 ? 其中 * * * * §2.2 一元线性回归模型的参数估计 一、一元线性回归模型的基本假设 二、参数的普通最小二乘估计（OLS） 三、参数估计的最大或然法(ML) 四、最小二乘估计量的性质 五、参数估计量的概率分布及随机干 扰项方差的估计 单方程计量经济学模型分为两大类： 线性模型和非线性模型 线性模型中，变量之间的关系呈线性关系 非线性模型中，变量之间的关系呈非线性关系 一元线性回归模型：只有一个解释变量 i=1,2,…,n Y为被解释变量，X为解释变量，?0与?1为待估参数， ? 为随机干扰项 回归分析的主要目的是要通过样本回归函数(模型)SRF尽可能准确地估计总体回归函数(模型)PRF。 估计方法有多种，其种最广泛使用的是普通最小二乘法（ordinary least squares, OLS）。 为保证参数估计量具有良好的性质，通常对模型提出若干基本假设。 注：实际这些假设与所采用的估计方法紧密相关。 仍以家庭收入X与消费支出Y之间的关系为例 每个家庭的消费支出Y主要取决于该家庭的收入X， 但是也受其他因素的影响。 高收入的家庭，消费支出的离散性比较大(方差较大) 低收入的家庭，消费支出的离散性比较小(方差较小) 通常，消费支出Y 的分布函数是多种多样的， 不一定是正态分布，也不一定是相同的分布。 分布函数的方差、均值都不相同，分布函数的形式也 不同。如图 一元线性回归模型： 一、一元线性回归模型的基本假设 家庭消费支出Y是家庭收入X的条件概率函数P(Y |Xi)。 这个概率函数有三个明显特征： 对于不同的X，条件概率P(Y|Xi)的分布函数形式不同 对于不同的X，条件概率P(Y|Xi)的方差不同 对于不同的X，条件概率P(Y|Xi)的均值E(Y)一般不在同一条直线上 P(Y|X) o Y X X1 X2 X3 X4 对于这样的概率函数进行数学分析是非常困难的，目前还没有较好的解决办法。为了简化数学分析，通常对实际情况进行抽象，做一些假设： 假设概率函数P(Y|X)的分布函数形式相同。 例如服从正态分布； 假设概率函数P(Y|X)的分布函数的方差相同，均为常数??2，即Var(Yi)=Var(ui)= ?? 2，i =1, 2, …, n 对于不同的X，Y的均值E(Y)在同一条直线上。即E(Y|Xi)= ?0+