2简单回归模型.ppt

* 假設SLR.1 參數線性 在母體模型中，應變數y 和自變數x 相關連，且誤差項(或干擾項) u 為 在母體模型中，應變數y和自變數x 相關連，且誤差項(或干擾項)u為 其中β0 和β1 為母體之截距和斜率參數。 * 假設SLR.2 隨機抽樣 由(2.47) 式母體模型中可得一大小為n 的隨機樣本{(xi, yi): i =1,2,...,n}。 * 假設SLR.3 解釋變數的樣本變異性 x 的樣本結果，{xi, i= 1, ..., n}，其值不全部相同。 * * 假設SLR.4 條件平均為0 在任意既定的解釋變數值之下，誤差項 u 的期望值為0。換句話說， * OLS 的不偏性 * OLS 的不偏性 * OLS 的不偏性 * 利用假設SLR.1 至SLR.4，對任何β0 和β1 而言 換句話說， 為β0 之不偏估計式，以及 是β1 之不偏估計式。 定理 2.1 OLS之不偏性 * 假設SLR.5 同質變異性 在任意既定的解釋變數任意值之下，誤差項u 有相同的變異數。換句話說， * OLS估計式之變異數 現在我們知道估計的抽樣分配是集中於真實參數的 要了解該分配的分散程度 需要另一假設 假設 Var(u|x) = σ2 (同質變異性) * OLS估計式之變異數 Var(u|x) = E(u2|x)-[E(u|x)]2 E(u|x) = 0，所以σ2 = E(u2|x) = E(u2) = Var(u) 故 σ2 亦為非條件變異數，稱為誤差變異數(error variance)或干擾項變異數 σ 為誤差變異數的平方根，稱為誤差標準差 * OLS估計式之變異數 * 我們可用y 的條件平均和條件變異數的形式寫假設SLR.4 和SLR.5 當 取決於x 誤差項，即存在異質變異性(heteroskedasticity)或是非常數的變異數，由於 ，每當 為x 的函數時，異質變異性就會存在。 OLS估計式之變異數 * * * 估計誤差變異數 因為我們無法觀察到ui，因此我們不知道誤差變異數s2 的值 我們只能觀察到殘差?i 我們可以使用殘差來估計誤差變異數 * 估計誤差變異數 * 估計誤差變異數 稱為迴歸的標準誤(standard error of the regression, SER) 由於 之一個自然的估計式為 此稱為 之標準誤(standard error of )???????????????????? ???????????? ???? ???????????????????? ???????????? ???? ???????????????????? ???????????? ???? ???????????????????? ???????????? ???? ???????????????????? ???????????? ???? * 通過原點的迴歸 選擇一個斜率估計式稱為 ，且其迴歸線的形式為 其中在 和 之上的符號是用來區別斜率和截距同時存在的估計式。由於(2.63)式通過 x = 0 和 ， ，稱之為通過原點的迴歸(regression through the origin)。 * 要獲得(2.63)式之斜率估計，可利用普通最小平方的方法，即殘差平方和極小化 利用微積分可證明 必須是一階條件的解： 由此可解 在不是所有xi 為0 之下： 通過原點的迴歸 * * * * Chapter 2簡單迴歸模型 * 簡單迴歸模型的定義 y = β0 + β1x + u，它代表變數 x 及 y 之間的關連，因此也可將它稱為“兩變數線性迴歸模型”或 “二元線性迴歸模型”。 在方程式中，變數 y 及x 常常交替使用幾種不同的名稱。 * 簡單迴歸的術語 y x 應變數 自變數 被解釋變數 解釋變數 反應變數 控制變數 被預測變數 預測變數 被迴歸項 迴歸項 * 簡單迴歸模型的定義 在計量經濟中“應變數”與“自變數”是很常用的。不過要注意自變數的英文“independent” 在這裡並不是代表隨機變數間獨立性的統計概念。 * 簡單迴歸模型的定義 變數u 稱為誤差項(error term) 或干擾項(disturbance)，它代表除了x 之外其他會影響y 的因素。簡單迴歸分析將除了x 以外所有影響y的因素都視為不可觀察。你可以把