第二章 一元线性回归模型.ppt

（2）证最小方差性： 假设 是其它方法估计出的总体参数值 的线性无偏估计量，即 ，且 ，其中， 为不等于 的权数。 要使无偏性成立，必须满足： 又因　 因为 所以 即 而且等号只有当ci=ki时才能成立 同理 五、参数的估计误差与置信区间 1．估计误差 最小二乘估计得到的 和 ，只是总体回归参数 和 的点估计值，这种点估计是由样本得出的，由于存在抽样波动，不同的样本可能得出不同的点估计值，虽然其期望都为 和 ，即 和 是 和 的无偏估计量，但每个点估计值未必都等于 和 ，也就是说存在估计误差，即估计值 与真值 有偏差 - 当然，我们希望知道估计误差究竟有多大，或者说 与 接近程度如何？ 随着抽样的不同，误差大小（ - ）是一个随机变量，因此，需要考虑概率意义下的平均误差，由于 所以不能直接对估计误差取均值，而应对误差的平方取平均，即： 可以看出，这是估计量 的方差；这一点也容易理解，因为OLS估计是无偏估计，均值即为参数真值，所以估计量关于均值的平均偏差—方差也就反映了估计量与参数真值的平均偏差。 标准误差SE(Standard Error) 由于方差的计量单位与原变量的不一致，因此，在计量经济分析中常用标准误差去度量估计量的精确性，标准误差是方差的平方根，用SE(Standard Error)表示，这样，参数估计量的平均误差为： 这说明：由于是的无偏估计量，均值即为参数 真值， 的分布中心是 。标准差SE( )可用来衡量估计量 接近真值 的程度，判定估计量 的可靠性。所以估计量关于均值的平均偏差─标准差也就反映了参数估计量与参数真值的平均偏差. 总体方差 估计 由于总体方差 未知，和 的方差和标准差实际上无法计算。由于随机扰动项ui不可观测，我们只能从ui的估计量—残差ei出发，对总体方差 进行估计。 可以证明（证明见本章附录C）：总体方差 的无偏估计量为： 即： 因此,可以用 代替 ，参数估计量的估计标准误差就成为： 估计误差 同理参数估计量 的估计标准误差为： 把 简称为 和 的估计误差。 参数的估计误差只是反映了估计量与真值的平均相对偏离程度； 越小，则 与 的近似误差越小，但不能认为 与 之间的绝对误差就是 。 这可以从参数的置信区间得到进一步的说明。 2．区间估计 利用普通最小二乘法得到的只是参数的点估计，只是待估参数的一个近似值，而点估计本身既没有反映这种近似值的精确度，又不知道它的误差范围。 为了对参数的取值情况有更多的了解，可以按一定的可靠性确定参数真值的取值范围，用统计术语来说，就是在一定置信度下，求参数的置信区间，这就是参数的区间估计。为了说明这些问题，需要先确定最小二乘估计量的概率分布。 的概率分布 总体回归模型 根据基本假定5 可得：Yi～N( ， ) . 由于 和 分别是Yi的线性组合函数，根据数理统计中正态分布变量的性质，即正态变量的线性函数仍服从正态分布，其分布函数由其均值和方差唯一决定 。 因为E（ ）= 所以： t分布 由数理统计的定理知：若 是 的无偏估计 ，则统计量: 将 作标准化变换得： 根据t检验的定义得： 置信度 对于给定的显著性水平 ，即置信度为 时，当自由度一定时，统计量t的置信区间即已确定。 由于t分布曲线对称于纵轴，故随机变量t落入区间 范围内的概率为 ，等于t分布曲线下由直线 及横轴所围的面积,如图: 置信区间 即就是 代换 即 于是，对于给定显著性水平 ，参数的置信度为1- 的置信区间为： 同理： 解释 第三节 一元回归模型的统计检验 一、回归系数的显著性 二、模型的拟合优度检验?R2检验 三、模型的显著性检验?F检验 一、回归系数的显著性 1. 假设检验的基本思想 为什么要作假设检验？ 所估计的回归系数 、 和方差 都是通过 样本计算的，都是随抽样而变动的随机变量，它们真值 和 之间的差异是否显著还需要加以检验。 所谓假设检验，就是对于未知参数，先假设一个确定值，然后根据随机选取的样本数据